Snabbstart: Ansluta till en SQL-databas från en Jupyter Notebook

I denna quickstart använder du Jupyter Notebook i Visual Studio Code för att snabbt härleda affärsinsikter. Använd drivrutinen mssql-python för Python för att ansluta till din SQL-databas, läsa datan och sedan formatera den för användning i e-post, rapporter och presentationer.

Drivrutinen mssql-python kräver inga externa beroenden på Windows-datorer. Drivrutinen installerar allt som behövs med en enda pip installation, så att du kan använda den senaste versionen av drivrutinen för nya skript utan att bryta andra skript som du inte har tid att uppgradera och testa.

mssql-python-dokumentation | mssql-python-källkod | Paket (PyPI) | Visual Studio Code

Förutsättningar

Installera förutsättningar för operativsystemet

Installera operativsystemsspecifika engångsförutsättningar. Windows-användare kan hoppa över detta steg. För fullständiga plattformsdetaljer, se Installera mssql-python.

apk add libtool krb5-libs krb5-dev libstdc++

Skapa en SQL-databas

Skapa eller koppla till en SQL-databas på en av följande plattformar:

Skapa projektet och kör koden

Skapa ett nytt projekt

  1. Öppna en kommandotolk i utvecklingskatalogen. Om du inte har någon, skapa en ny katalog, till exempel python eller scripts. Undvik mappar på din OneDrive, eftersom synkronisering kan störa hanteringen av din virtuella miljö.

  2. Skapa ett nytt projekt med uv.

    uv init jupyter-notebook-qs
cd jupyter-notebook-qs

Lägga till beroenden

Installera paketen mssql-python, , python-dotenv, richpandasoch matplotlib i samma katalog. Lägg sedan till ipykernel och uv som utvecklingsberoenden. VS Code kräver ipykernel för att köra notebook-celler och uv för att hantera paket i notebook-cellerna.

uv add mssql-python python-dotenv rich pandas matplotlib
uv add --dev ipykernel
uv add --dev uv

Öppna Visual Studio Code

Kör följande kommando i samma katalog.

code .

Uppdatera pyproject.toml

  1. pyproject.toml Öppna filen i redigeringsprogrammet. Denna fil innehåller metadata för ditt projekt.

  2. Uppdatera description värdet.

    description = "A quick example using the mssql-python driver and Jupyter Notebooks."

  3. Spara och stäng filen.

Spara anslutningssträngen

  1. .gitignore Öppna filen och lägg till ett undantag för .env filer. Din fil bör likna följande exempel.

    # Python-generated files
__pycache__/
*.py[oc]
build/
dist/
wheels/
*.egg-info

# Virtual environments
.venv

# Connection strings and secrets
.env

  2. Spara och stäng .gitignore.

  3. I den aktuella katalogen skapar du en ny fil med namnet .env.

  4. I .env-filen lägger du till en post för din anslutningssträng med namnet SQL_CONNECTION_STRING. Ersätt platshållarna med dina faktiska värden.

    SQL_CONNECTION_STRING="Server=<server>;Database=<database>;Encrypt=yes;TrustServerCertificate=no;Authentication=ActiveDirectoryInteractive"

    reťazec pripojenia beror på vilken typ av SQL-databas du ansluter till. För Azure SQL Database eller SQL Database in Fabric, använd ODBC-reťazec pripojenia från reťazec pripojenias-fliken och justera autentiseringstypen för ditt scenario. För mer information om reťazec pripojenia-syntax, se Connection strings för mssql-python.

    Tips/Råd

    På macOS fungerar både ActiveDirectoryInteractive och ActiveDirectoryDefault för Microsoft Entra-autentisering. ActiveDirectoryInteractive uppmanar dig att logga in varje gång du kör skriptet. För att undvika upprepade inloggningspromptar, logga in en gång med kommandot Azure CLIaz login och använd ActiveDirectoryDefault. ActiveDirectoryDefault Återanvänder de cachade autentiseringsuppgifterna.

Skapa en Jupyter Notebook

  1. Välj Arkiv och sedan Ny fil och Jupyter Notebook i listan. En ny anteckningsbok öppnas.

  2. Välj Arkiv och sedan Spara som... och ge den nya anteckningsboken ett namn.

  3. Lägg till följande importer i den första cellen.

    from os import getenv
from mssql_python import connect
from dotenv import load_dotenv
from rich.console import Console
from rich.table import Table
import pandas as pd
import matplotlib.pyplot as plt

  4. Använd knappen + Markdown överst i anteckningsboken för att lägga till en ny markdown-cell.

  5. Lägg till följande text i den nya markdown-cellen.

    ## Define queries for use later

  6. Markera bockmarkeringen i cellverktygsfältet eller använd kortkommandona Ctrl+Enter eller Shift+Enter för att återge markdown-cellen.

  7. Använd knappen + Kod överst i anteckningsboken för att lägga till en ny kodcell.

  8. Lägg till följande kod i den nya kodcellen.

    SQL_QUERY_ORDERS_BY_CUSTOMER = """
SELECT TOP 5
    c.CustomerID,
    c.CompanyName,
    COUNT(soh.SalesOrderID) AS OrderCount
FROM SalesLT.Customer AS c
LEFT OUTER JOIN SalesLT.SalesOrderHeader AS soh
    ON c.CustomerID = soh.CustomerID
GROUP BY
    c.CustomerID,
    c.CompanyName
ORDER BY OrderCount DESC;
"""

SQL_QUERY_SPEND_BY_CATEGORY = """
SELECT TOP 10
    pc.Name AS ProductCategory,
    SUM(sod.OrderQty * sod.UnitPrice) AS Spend
FROM SalesLT.SalesOrderDetail AS sod
INNER JOIN SalesLT.SalesOrderHeader AS soh
    ON sod.SalesOrderID = soh.SalesOrderID
INNER JOIN SalesLT.Product AS p
    ON sod.ProductID = p.ProductID
INNER JOIN SalesLT.ProductCategory AS pc
    ON p.ProductCategoryID = pc.ProductCategoryID
GROUP BY pc.Name
ORDER BY Spend;
"""

Visa resultat i en tabell

  1. Använd knappen + Markdown överst i anteckningsboken för att lägga till en ny markdown-cell.

  2. Lägg till följande text i den nya markdown-cellen.

    ## Print orders by customer and display in a table

  3. Markera bockmarkeringen i cellverktygsfältet eller använd kortkommandona Ctrl+Enter eller Shift+Enter för att återge markdown-cellen.

  4. Använd knappen + Kod överst i anteckningsboken för att lägga till en ny kodcell.

  5. Lägg till följande kod i den nya kodcellen.

    load_dotenv()
with connect(getenv("SQL_CONNECTION_STRING")) as conn: # type: ignore
    with conn.cursor() as cursor:
        cursor.execute(SQL_QUERY_ORDERS_BY_CUSTOMER)
        if cursor:
            table = Table(title="Orders by Customer")
            # https://rich.readthedocs.io/en/stable/appendix/colors.html
            table.add_column("Customer ID", style="bright_blue", justify="center")
            table.add_column("Company Name", style="bright_white", justify="left")
            table.add_column("Order Count", style="bold green", justify="right")

            records = cursor.fetchall()

            for r in records:
                table.add_row(f"{r.CustomerID}", f"{r.CompanyName}", f"{r.OrderCount}")

            Console().print(table)

  6. Använd knappen Kör alla överst i anteckningsboken för att köra anteckningsboken.

  7. Välj jupyter-notebook-qs-kerneln när du uppmanas att göra det.

Visa resultat i ett diagram

  1. Gå igenom resultatet från föregående cell. Du bör se en tabell med tre kolumner och fem rader.

  2. Använd knappen + Markdown överst i anteckningsboken för att lägga till en ny markdown-cell.

  3. Lägg till följande text i den nya markdown-cellen.

    ## Display spend by category in a horizontal bar chart

  4. Markera bockmarkeringen i cellverktygsfältet eller använd kortkommandona Ctrl+Enter eller Shift+Enter för att återge markdown-cellen.

  5. Använd knappen + Kod överst i anteckningsboken för att lägga till en ny kodcell.

  6. Lägg till följande kod i den nya kodcellen.

    with connect(getenv("SQL_CONNECTION_STRING")) as conn: # type: ignore
    data = pd.read_sql_query(SQL_QUERY_SPEND_BY_CATEGORY, conn)
    # Set the style - use print(plt.style.available) to see all options
    plt.style.use('seaborn-v0_8-notebook')
    plt.barh(data['ProductCategory'], data['Spend'])

  7. Använd knappen Kör cell eller Ctrl+Alt+Enter för att köra cellen.

  8. Gå igenom diagrammet.

Relaterat innehåll

  • Uppdaterades senast