共用方式為

在 Azure 中搭配 Ubuntu 資料科學虛擬機器的資料科學

  • 發行項

本逐步解說描述如何使用 Ubuntu 資料科學虛擬機器 (DSVM) 完成數個常見的資料科學工作。 Ubuntu DSVM 是 Azure 中提供的虛擬機器映像，預先安裝了一組常用於資料分析和機器學習的工具。 佈建 Ubuntu 資料科學虛擬機器會逐項列出重要的軟體元件。 DSVM 映像可讓使用者輕鬆地在幾分鐘內開始執行資料科學，不需要個別安裝和設定每個工具。 如有需要，您可以輕鬆地擴大 DSVM，而且可在不使用時將其停止。 DSVM 既有彈性，又符合成本效益。

在本逐步解說中，我們會分析 spambase 資料集。 Spambase 是一組標示為垃圾郵件或非垃圾郵件的電子郵件。 Spambase 也包含有關電子郵件內容的一些統計資料。 我們稍後會在逐步解說中討論統計資料。

必要條件

您必須具備下列必要條件，才能使用 Linux DSVM：

下載 spambase 資料集

spambase 資料集是一組較小的資料，其中包含 4601 個範例。 此資源方便且可管理的大小，可讓您輕鬆地顯示 DSVM 的一些主要功能，因為資源需求適中。

注意

本逐步解說是使用 D2 v2 大小的 Linux DSVM 所建立。 您可以使用此大小的 DSVM 來完成本逐步解說中所示的程序。

如需更多儲存空間，您可以建立其他磁碟，並將其連結到 DSVM。 這些磁碟會使用永續性 Azure 儲存體，因此即使伺服器因為調整大小或關閉等緣故而重新佈建，磁碟中的資料仍會保留下來。 若要新增磁碟並將其連接到 DSVM，請完成新增磁碟至 Linux VM 中的步驟。 新增磁碟的步驟會使用已安裝在 DSVM 上的 Azure CLI。 您可以完全從 DSVM 本身完成步驟。 另一種增加儲存體的選項是使用 Azure 檔案儲存體。

若要下載資料，請開啟終端機視窗，然後執行下列命令：

wget --no-check-certificate https://archive.ics.uci.edu/ml/machine-learning-databases/spambase/spambase.data

下載的檔案沒有標頭列。 讓我們建立另一個具有標頭的檔案。 執行此命令來建立具有適當標題的檔案︰

echo 'word_freq_make, word_freq_address, word_freq_all, word_freq_3d,word_freq_our, word_freq_over, word_freq_remove, word_freq_internet,word_freq_order, word_freq_mail, word_freq_receive, word_freq_will,word_freq_people, word_freq_report, word_freq_addresses, word_freq_free,word_freq_business, word_freq_email, word_freq_you, word_freq_credit,word_freq_your, word_freq_font, word_freq_000, word_freq_money,word_freq_hp, word_freq_hpl, word_freq_george, word_freq_650, word_freq_lab,word_freq_labs, word_freq_telnet, word_freq_857, word_freq_data,word_freq_415, word_freq_85, word_freq_technology, word_freq_1999,word_freq_parts, word_freq_pm, word_freq_direct, word_freq_cs, word_freq_meeting,word_freq_original, word_freq_project, word_freq_re, word_freq_edu,word_freq_table, word_freq_conference, char_freq_semicolon, char_freq_leftParen,char_freq_leftBracket, char_freq_exclamation, char_freq_dollar, char_freq_pound, capital_run_length_average,capital_run_length_longest, capital_run_length_total, spam' > headers

然後，串連這兩個檔案：

cat spambase.data >> headers
mv headers spambaseHeaders.data

對於每一封電子郵件，資料集都有數種類型的統計資料：

  • word_freq_WORD 之類的資料行會指出電子郵件中符合 WORD 之字詞的百分比。 例如，如果 word_freq_make 是 1，則表示電子郵件的所有文字中有 1% 是 make。
  • char_freq_CHAR 之類的資料行會指出電子郵件的所有字元中 CHAR 所佔的百分比。
  • capital_run_length_longest 是一連串大寫字母的最長長度。
  • capital_run_length_average 是所有連串大寫字母的平均長度。
  • capital_run_length_total 是所有連串大寫字母的總長度。
  • indicates whether the email was considered or not (1 = , 0 = not ).

使用 R Open 來探索資料集

讓我們檢查資料，並使用 R 來執行一些基本機器學習。 DSVM 隨附預先安裝的 CRAN R。

若要取得本逐步解說中所使用的程式碼範例複本，請使用 git 來複製 Azure-Machine-Learning-Data-Science 存放庫。 Git 會預先安裝在 DSVM 上。 在 git 命令列，執行：

git clone https://github.com/Azure/Azure-MachineLearning-DataScience.git

開啟終端機視窗，並在 R 互動式主控台中啟動新的 R 工作階段。 若要匯入資料並設定環境，請執行︰

data <- read.csv("spambaseHeaders.data")
set.seed(123)

此範例程式碼顯示每個資料行的摘要統計資料：

summary(data)

針對資料的不同檢視︰

str(data)

此檢視會顯示每個變數的類型和資料集內的前幾個值。

「spam」 資料行已讀取為整數，但它實際上是類別變數 (或係數)。 若要設定其類型︰

data$spam <- as.factor(data$spam)

若要進行一些探勘分析，請使用 ggplot2 套件，這是適用於 R 的熱門圖形庫。ggplot2 套件已預先安裝在 DSVM 上。 根據稍早顯示的摘要資料，我們擁有關於驚嘆號字元出現頻率的摘要統計資料。 若要在這裡繪製這些頻率，請執行下列命令：

library(ggplot2)
ggplot(data) + geom_histogram(aes(x=char_freq_exclamation), binwidth=0.25)

由於零軸會影響繪圖的準確性，讓我們將其消除：

email_with_exclamation = data[data$char_freq_exclamation > 0, ]
ggplot(email_with_exclamation) + geom_histogram(aes(x=char_freq_exclamation), binwidth=0.25)

在 1 上面有看起來很有意思的不尋常密度。 讓我們只查看該資料：

ggplot(data[data$char_freq_exclamation > 1, ]) + geom_histogram(aes(x=char_freq_exclamation), binwidth=0.25)

然後，按照垃圾郵件與非垃圾郵件進行分割：

ggplot(data[data$char_freq_exclamation > 1, ], aes(x=char_freq_exclamation)) +
geom_density(lty=3) +
geom_density(aes(fill=spam, colour=spam), alpha=0.55) +
xlab("spam") +
ggtitle("Distribution of spam \nby frequency of !") +
labs(fill="spam", y="Density")

這些範例應協助您進行類似的繪圖，並探索其他資料行中的資料。

定型及測試機器學習模型

讓我們定型幾個機器學習模型，將資料集內的電子郵件識別為包含垃圾郵件或非垃圾郵件。 在本節中，我們會定型決策樹模型和隨機樹系模型。 然後，我們會測試預測的正確性。

注意

下列程式碼所使用的 RPART (Recursive Partitioning and Regression Trees，遞迴分割和迴歸樹狀結構) 套件已安裝在 DSVM 上。

首先，讓我們將資料集分割為定型集和測試集：

rnd <- runif(dim(data)[1])
trainSet = subset(data, rnd <= 0.7)
testSet = subset(data, rnd > 0.7)

然後，建立決策樹來分類電子郵件：

require(rpart)
model.rpart <- rpart(spam ~ ., method = "class", data = trainSet)
plot(model.rpart)
text(model.rpart)

結果如下︰

顯示已建立決策樹的圖表。

請使用此範例程式碼以判斷訓練集的表現有多良好：

trainSetPred <- predict(model.rpart, newdata = trainSet, type = "class")
t <- table(`Actual Class` = trainSet$spam, `Predicted Class` = trainSetPred)
accuracy <- sum(diag(t))/sum(t)
accuracy

若要判斷測試集的表現有多良好，請執行此程式碼：

testSetPred <- predict(model.rpart, newdata = testSet, type = "class")
t <- table(`Actual Class` = testSet$spam, `Predicted Class` = testSetPred)
accuracy <- sum(diag(t))/sum(t)
accuracy

讓我們同時嘗試隨機樹系模型。 隨機樹系會定型多個決策樹。 其會輸出類別，該類別是所有個別決策樹中分類的模式值。 它們能提供更強大的機器學習方法，因為其會校正決策樹模型傾向以過度擬合定型資料集。

require(randomForest)
trainVars <- setdiff(colnames(data), 'spam')
model.rf <- randomForest(x=trainSet[, trainVars], y=trainSet$spam)

trainSetPred <- predict(model.rf, newdata = trainSet[, trainVars], type = "class")
table(`Actual Class` = trainSet$spam, `Predicted Class` = trainSetPred)

testSetPred <- predict(model.rf, newdata = testSet[, trainVars], type = "class")
t <- table(`Actual Class` = testSet$spam, `Predicted Class` = testSetPred)
accuracy <- sum(diag(t))/sum(t)
accuracy

深度學習教學課程和逐步解說

除了以架構為基礎的範例，我們也提供一套完整的逐步解說。 這些逐步解說有助於您在影像和文字/語言理解等領域中，快速開發深度學習應用程式。

  • 跨不同架構執行類神經網路：完整的逐步解說，示範如何將程式碼從一種架構移轉至另一種架構。 其中也示範如何跨架構來比較模型和執行階段效能。

  • 建置端對端解決方案在影像內偵測產品的操作指南：影像偵測是一種可在影像內找出並分類物件的技術。 這項技術在許多現實生活商業領域中可提供龐大的商機。 例如，零售商可以利用這項技術來判斷客戶從貨架上挑選什麼產品。 這項資訊進而有助於商店管理產品庫存。

  • 音訊的深度學習：此教學課程說明如何針對都市音效資料集上的音訊事件偵測定型深度學習模型。 教學課程提供如何使用音訊資料的概觀。

  • 文字文件分類：本逐步解說示範如何建立和定型兩個不同的類神經網路架構：階層式注意力網路和長短期記憶體 (LSTM)。 為了分類文字文件，這些神經網路會使用 Keras API 進行深度學習。 Keras 是三個最受歡迎深度學習架構的前端：Microsoft Cognitive Toolkit、TensorFlow 和 Theano。

其他工具

其餘各節會示範如何使用預先安裝在 Linux DSVM 上的部分工具。 我們會檢查這些工具：

  • XGBoost
  • Python
  • JupyterHub
  • Rattle
  • PostgreSQL 和 SQuirreL SQL
  • Azure Synapse Analytics (先前稱為 SQL DW)

XGBoost

XGBoost 提供快速且正確的推進式決策樹實作。

require(xgboost)
data <- read.csv("spambaseHeaders.data")
set.seed(123)

rnd <- runif(dim(data)[1])
trainSet = subset(data, rnd <= 0.7)
testSet = subset(data, rnd > 0.7)

bst <- xgboost(data = data.matrix(trainSet[,0:57]), label = trainSet$spam, nthread = 2, nrounds = 2, objective = "binary:logistic")

pred <- predict(bst, data.matrix(testSet[, 0:57]))
accuracy <- 1.0 - mean(as.numeric(pred > 0.5) != testSet$spam)
print(paste("test accuracy = ", accuracy))

XGBoost 也可以從 Python 或命令列進行呼叫。

Python

為了開發 Python，已在 DSVM 上預先安裝 Anaconda Python 散發套件 3.5 與 2.7。

注意

Anaconda 散發套件包含 Conda。 您可以使用 Conda，來建立已在其中安裝不同版本或套件的自訂 Python 環境。

讓我們讀取某些 spambase 資料集，並利用 Scikit-learn 中的支援向量機器分類電子郵件：

import pandas
from sklearn import svm
data = pandas.read_csv("spambaseHeaders.data", sep = ',\s*')
X = data.ix[:, 0:57]
y = data.ix[:, 57]
clf = svm.SVC()
clf.fit(X, y)

若要進行預測︰

clf.predict(X.ix[0:20, :])

為了示範如何發佈 Azure Machine Learning 端點，讓我們建立更基本的模型。 我們會使用稍早發佈 R 模型時使用的三個變數：

X = data[["char_freq_dollar", "word_freq_remove", "word_freq_hp"]]
y = data.ix[:, 57]
clf = svm.SVC()
clf.fit(X, y)

JupyterHub

DSVM 中的 Anaconda 散發套件隨附 Jupyter Notebook。 此資源是共用 Python、R 或 Julia 程式碼和分析的跨平台環境。 Jupyter Notebook 是透過 JupyterHub 來存取。 您可以在 https://<DSVM DNS 名稱或 IP 位址>:8000/ 使用本機 Linux 使用者名稱和密碼來登入。 您可以在 /etc/jupyterhub 中找到所有 JupyterHub 組態檔。

注意

若要從位於目前核心中的 Jupyter Notebook 使用 Python 套件管理員 (透過 pip 命令)，請在程式碼資料格中使用下列命令：

 import sys
 ! {sys.executable} -m pip install numpy -y

若要從位於目前核心中的 Jupyter Notebook 使用 Conda 安裝程式 (透過 conda 命令)，請在程式碼資料格中使用下列命令：

 import sys
 ! {sys.prefix}/bin/conda install --yes --prefix {sys.prefix} numpy

DSVM 上已安裝數個範例筆記本：

注意

Julia 語言也可從 Linux DSVM 上的命令列來使用。

Rattle

您可以使用 Rattle (R Analytical Tool To Learn Easily) 圖形化 R 工具進行資料採礦。 Rattle 具有直覺式介面，可讓您輕鬆地載入、瀏覽和轉換資料，以及建置和評估模型。 Rattle：適用於 R 的資料採礦 GUI 提供了示範其功能的逐步解說。

執行下列命令來安裝和啟動 Rattle：

if(!require("rattle")) install.packages("rattle")
require(rattle)
rattle()

注意

您不需要在 DSVM 上安裝 Rattle。 不過，當 Rattle 開啟時，系統可能會提示您安裝其他套件。

Rattle 使用索引標籤式介面。 大部分索引標籤會對應至 Team Data Science Process 中的步驟，例如載入資料或探索資料。 資料科學程序會由左到右經歷所有索引標籤。 最後一個索引標籤包含 Rattle 所執行的 R 命令。

若要載入和設定資料集︰

  1. 若要載入檔案，請選取 [資料] 索引標籤
  2. 選擇 [檔案名稱] 旁的選取器，然後選取 [spambaseHeaders.data]
  3. 若要載入檔案。 選取 [執行]。 您應該會看到每個資料行的摘要，包括其識別的資料類型、其為輸入、目標還是其他類型的變數，以及唯一值數目
  4. Rattle 已將 [垃圾郵件] 資料行正確地識別為目標。 選取 [垃圾郵件] 資料行，然後將 [目標資料類型] 設定為 [類別]

若要瀏覽資料︰

  1. 選取 [探索] 索引標籤
  2. 若要檢視一些關於變數類型的資訊和某些摘要統計資料，請選取 [摘要] > [執行]。
  3. 若要檢視關於每個變數的其他類型的統計資料，請選取其他選項，例如 [描述] 或 [基本資訊]。

您也可以使用 [探索] 索引標籤來產生更具見解的繪圖。 若要繪製資料的長條圖︰

  1. 選取 [分佈]
  2. 針對 word_freq_remove 和 word_freq_you，選取 [長條圖]
  3. 選取 [執行]。 您應該會在單一圖形視窗中看到這兩個密度圖，其中 you 這個字在電子郵件中的出現頻率明顯遠高於 remove

相互關聯圖也很有趣。 若要建立繪圖：

  1. 針對 [類型]，選取 [相互關聯]
  2. 選取 [執行]
  3. Rattle 會警告您，它建議的上限為 40 個變數。 選取 [是] 以檢視此圖

有一些有趣的相互關聯。 例如，technology 與 HP 和 labs 緊密相互關聯。 其也與 650 有高度相互關聯性，因為資料集捐贈者的區碼是 650。

文字間相互關聯性的數值可在 [探索] 視窗中取得。 舉例來說，值得注意的是 technology 與 your 和 money 負面相關。

Rattle 可以轉換資料集來處理一些常見的問題。 例如，其可調整功能大小、插補遺漏值、處理離群值，以及移除具有遺漏資料的變數或觀察值。 Rattle 也可以識別觀察值和變數之間的關聯規則。 此入門逐步解說不涵蓋這些索引標籤。

Rattle 也可以處理叢集分析。 讓我們排除部分功能以讓輸出更方便閱讀。 在 [資料] 索引標籤上，選取每個變數旁的 [忽略]，但下面這 10 個項目除外：

  • word_freq_hp
  • word_freq_technology
  • word_freq_george
  • word_freq_remove
  • word_freq_your
  • word_freq_dollar
  • word_freq_money
  • capital_run_length_longest
  • word_freq_business
  • 垃圾郵件

返回 [叢集] 索引標籤。選取 [Kmeans]，然後將 [叢集數目] 設定為 [4]。 選取 [執行]。 輸出視窗會顯示結果。 有一個叢集具有高頻率的 george 和 hp，因此可能是合法的商業電子郵件。

若要建置基本的決策樹機器學習模型：

  1. 選取 [模型] 索引標籤
  2. 針對 [類型]，選取 [樹狀]
  3. 選取 [執行]，在輸出視窗中以文字形式顯示樹狀結構
  4. 選取 [繪製] 按鈕以檢視圖形化版本。 此決策樹看起來類似我們稍早使用 rpart 取得的決策樹。

Rattle 可以執行數個機器學習方法並快速評估。 這是一項實用的功能。 以下說明做法：

  1. 針對 [類型]，選取 [全部]
  2. 選取 [執行]
  3. 當 Rattle 執行完成時，您可以選取任何 [類型] 值，例如 [SVM]，並檢視結果
  4. 您也可以使用 [評估] 索引標籤比較驗證集上模型的效能。例如，[錯誤矩陣] 選取項目會顯示驗證集上每個模型的混淆矩陣、整體錯誤和平均類別錯誤。 您也可以繪製 ROC 曲線、執行敏感度分析和進行其他類型的模型評估

完成建置模型時，選取 [記錄] 索引標籤來檢視 Rattle 在工作階段期間執行的 R 程式碼。 您可以選取 [匯出] 按鈕來加以儲存。

注意

最新版 Rattle 包含一個錯誤 (bug)。 若要修改指令碼或在稍後使用該指令碼重複執行步驟，您必須在記錄文字 Export this log ... 的前方插入 # 字元。

PostgreSQL 和 SQuirreL SQL

DSVM 隨附安裝 PostgreSQL。 PostgreSQL 是複雜的開放原始碼關聯式資料庫。 本節說明如何將 spambase 資料集載入至 PostgreSQL，然後進行查詢。

在載入資料之前，您必須先允許從 localhost 進行密碼驗證。 在命令提示字元中執行︰

sudo gedit /var/lib/pgsql/data/pg_hba.conf

組態檔末尾附近有幾行詳細說明允許之連線的文字：

# "local" is only for Unix domain socket connections:
local   all             all                                     trust
# IPv4 local connections:
host    all             all             127.0.0.1/32            ident
# IPv6 local connections:
host    all             all             ::1/128                 ident

將 IPv4 local connections 文字行變更為使用 md5 而非 ident，以便可以使用使用者名稱和密碼來登入：

# IPv4 local connections:
host    all             all             127.0.0.1/32            md5

然後，重新啟動 PostgreSQL 服務：

sudo systemctl restart postgresql

若要以內建 postgres 使用者身分啟動 psql (PostgreSQL 的互動終端機)，請執行下列命令：

sudo -u postgres psql

使用您用來登入的 Linux 帳戶使用者名稱，建立新的使用者帳戶。 建立密碼：

CREATE USER <username> WITH CREATEDB;
CREATE DATABASE <username>;
ALTER USER <username> password '<password>';
\quit

登入 psql：

psql

將資料匯入到新資料庫：

CREATE DATABASE spam;
\c spam
CREATE TABLE data (word_freq_make real, word_freq_address real, word_freq_all real, word_freq_3d real,word_freq_our real, word_freq_over real, word_freq_remove real, word_freq_internet real,word_freq_order real, word_freq_mail real, word_freq_receive real, word_freq_will real,word_freq_people real, word_freq_report real, word_freq_addresses real, word_freq_free real,word_freq_business real, word_freq_email real, word_freq_you real, word_freq_credit real,word_freq_your real, word_freq_font real, word_freq_000 real, word_freq_money real,word_freq_hp real, word_freq_hpl real, word_freq_george real, word_freq_650 real, word_freq_lab real,word_freq_labs real, word_freq_telnet real, word_freq_857 real, word_freq_data real,word_freq_415 real, word_freq_85 real, word_freq_technology real, word_freq_1999 real,word_freq_parts real, word_freq_pm real, word_freq_direct real, word_freq_cs real, word_freq_meeting real,word_freq_original real, word_freq_project real, word_freq_re real, word_freq_edu real,word_freq_table real, word_freq_conference real, char_freq_semicolon real, char_freq_leftParen real,char_freq_leftBracket real, char_freq_exclamation real, char_freq_dollar real, char_freq_pound real, capital_run_length_average real, capital_run_length_longest real, capital_run_length_total real, spam integer);
\copy data FROM /home/<username>/spambase.data DELIMITER ',' CSV;
\quit

現在，讓我們使用 SQuirreL SQL 來探索資料並執行一些查詢，此圖形化工具可讓您透過 JDBC 驅動程式與資料庫互動。

首先，請在 [應用程式] 功能表上開啟 SQuirreL SQL。 若要設定驅動程式︰

  1. 選取 [Windows] > [檢視驅動程式]
  2. 以滑鼠右鍵按一下 [PostgreSQL]，然後選取 [修改驅動程式]
  3. 選取 [額外類別路徑] > [新增]
  4. 針對 [檔案名稱]，輸入 /usr/share/java/jdbcdrivers/postgresql-9.4.1208.jre6.jar
  5. 選取 [開啟]
  6. 選取 [列出驅動程式]。 針對 [類別名稱]，選取 [org.postgresql.Driver]，然後選取 [確定]

若要設定與本機伺服器的連線︰

  1. 選取 [Windows]>[檢視別名]。
  2. 選取 + 按鈕以建立新的別名。 針對新的別名，輸入 Spam database
  3. 針對 [驅動程式]，選取 [PostgreSQL]
  4. 將 URL 設定為 jdbc:postgresql://localhost/spam
  5. 輸入您的使用者名稱和密碼
  6. 選取確定
  7. 若要開啟 [連線] 視窗，請按兩下 [垃圾郵件資料庫] 別名
  8. 選取連線

若要執行一些查詢︰

  1. 選取 [SQL] 索引標籤
  2. 在 [SQL] 索引標籤頂端的查詢方塊中，輸入基本查詢，例如 SELECT * from data;
  3. 按 Ctrl+Enter 執行查詢。 根據預設，SQuirreL SQL 會傳回查詢的前 100 個資料列

您可以執行其他許多查詢來探索此資料。 例如，「make」 一字在垃圾郵件和非垃圾郵件之間的出現頻率有何差異？

SELECT avg(word_freq_make), spam from data group by spam;

經常包含「3d」的電子郵件有何特性？

SELECT * from data order by word_freq_3d desc;

大部分大量出現「3d」的電子郵件顯然是垃圾郵件。 此資訊可能有助於建置預測性模型來分類電子郵件。

針對使用儲存在 PostgreSQL 資料庫中的資料進行的機器學習，MADlib 運作良好。

Azure Synapse Analytics (先前稱為 SQL DW)

Azure Synapse Analytics 是一種雲端架構、相應放大的資料庫，可處理巨量關聯式與非關聯式資料。 如需詳細資訊，請參閱什麼是 Azure Synapse Analytics？

若要連線到資料倉儲並建立資料表，請從命令提示字元執行此命令：

sqlcmd -S <server-name>.database.windows.net -d <database-name> -U <username> -P <password> -I

在 sqlcmd 提示字元中，執行下列命令：

CREATE TABLE spam (word_freq_make real, word_freq_address real, word_freq_all real, word_freq_3d real,word_freq_our real, word_freq_over real, word_freq_remove real, word_freq_internet real,word_freq_order real, word_freq_mail real, word_freq_receive real, word_freq_will real,word_freq_people real, word_freq_report real, word_freq_addresses real, word_freq_free real,word_freq_business real, word_freq_email real, word_freq_you real, word_freq_credit real,word_freq_your real, word_freq_font real, word_freq_000 real, word_freq_money real,word_freq_hp real, word_freq_hpl real, word_freq_george real, word_freq_650 real, word_freq_lab real,word_freq_labs real, word_freq_telnet real, word_freq_857 real, word_freq_data real,word_freq_415 real, word_freq_85 real, word_freq_technology real, word_freq_1999 real,word_freq_parts real, word_freq_pm real, word_freq_direct real, word_freq_cs real, word_freq_meeting real,word_freq_original real, word_freq_project real, word_freq_re real, word_freq_edu real,word_freq_table real, word_freq_conference real, char_freq_semicolon real, char_freq_leftParen real,char_freq_leftBracket real, char_freq_exclamation real, char_freq_dollar real, char_freq_pound real, capital_run_length_average real, capital_run_length_longest real, capital_run_length_total real, spam integer) WITH (CLUSTERED COLUMNSTORE INDEX, DISTRIBUTION = ROUND_ROBIN);
GO

使用 bcp 複製資料：

bcp spam in spambaseHeaders.data -q -c -t  ',' -S <server-name>.database.windows.net -d <database-name> -U <username> -P <password> -F 1 -r "\r\n"

注意

下載的檔案包含 Windows 樣式行尾結束符號。 Bcp 工具需要 Unix 樣式行尾結束符號。 使用 -r 旗標來告訴 bcp 此情形。

然後，使用 sqlcmd 進行查詢：

select top 10 spam, char_freq_dollar from spam;
GO

您也可以使用 SQuirreL SQL 進行查詢。 使用 SQL Server JDBC 驅動程式，遵循類似於 PostgreSQL 的步驟。 JDBC 驅動程式位於 /usr/share/java/jdbcdrivers/sqljdbc42.jar 資料夾中。