🥇डेटा वैज्ञानिकका नोटहरू: डाटा क्वेरी भाषाहरूको व्यक्तिगत समीक्षा

म तपाईंलाई व्यक्तिगत अनुभवबाट बताइरहेको छु के कहाँ र कहिले उपयोगी थियो। यो सिंहावलोकन र थीसिस हो, ताकि यो स्पष्ट छ कि तपाईं के र कहाँ थप खन्न सक्नुहुन्छ - तर यहाँ मसँग विशेष रूपमा व्यक्तिपरक व्यक्तिगत अनुभव छ, सायद सबै कुरा तपाईंको लागि पूर्ण रूपमा फरक छ।

प्रश्न भाषाहरू जान्न र प्रयोग गर्न सक्षम हुनु किन महत्त्वपूर्ण छ? यसको मूलमा, डाटा विज्ञानले कामका धेरै महत्त्वपूर्ण चरणहरू छन्, र सबैभन्दा पहिलो र सबैभन्दा महत्त्वपूर्ण (यस बिना, निश्चित रूपमा केहि पनि काम गर्दैन!) डाटा प्राप्त वा निकाल्दै छ। प्रायः, डाटा कुनै न कुनै रूपमा कतै बसिरहेको छ र त्यहाँबाट "पुन: प्राप्त" गर्न आवश्यक छ।

क्वेरी भाषाहरूले तपाईंलाई यो धेरै डाटा निकाल्न अनुमति दिन्छ! र आज म तपाईंलाई ती क्वेरी भाषाहरूको बारेमा बताउनेछु जुन मेरो लागि उपयोगी छ र म तपाईंलाई बताउनेछु र तपाईंलाई कहाँ र कसरी ठ्याक्कै देखाउनेछु - किन यो अध्ययन गर्न आवश्यक छ।

त्यहाँ डेटा क्वेरी प्रकारका तीन मुख्य ब्लकहरू हुनेछन्, जुन हामी यस लेखमा छलफल गर्नेछौं:

"मानक" क्वेरी भाषाहरू क्वेरी भाषाको बारेमा कुरा गर्दा सामान्यतया बुझिने कुराहरू हुन्, जस्तै रिलेशनल बीजगणित वा SQL।
स्क्रिप्टिङ क्वेरी भाषाहरू: उदाहरणका लागि, पाइथन चीजहरू पान्डा, नम्पी वा शेल स्क्रिप्टिङ।
ज्ञान ग्राफ र ग्राफ डाटाबेसका लागि भाषाहरू क्वेरी गर्नुहोस्।

यहाँ लेखिएका सबै कुराहरू केवल व्यक्तिगत अनुभव हो, के उपयोगी थियो, परिस्थितिहरूको विवरण र "किन यो आवश्यक थियो" - सबैजनाले कसरी समान परिस्थितिहरू तपाईंको बाटोमा आउन सक्छन् भनेर प्रयास गर्न सक्छन् र यी भाषाहरू बुझेर तिनीहरूको लागि अग्रिम तयारी गर्ने प्रयास गर्न सक्छन्। तपाईंले कुनै परियोजनामा (तत्काल) आवेदन दिनु अघि वा तिनीहरू आवश्यक भएको परियोजनामा पुग्नु अघि।

"मानक" क्वेरी भाषाहरू

मानक क्वेरी भाषाहरू ठ्याक्कै यस अर्थमा हुन्छन् कि हामी प्रश्नहरूको बारेमा कुरा गर्दा हामी सामान्यतया तिनीहरूको बारेमा सोच्दछौं।

रिलेशनल बीजगणित

किन आज रिलेशनल बीजगणित आवश्यक छ? क्वेरी भाषाहरू किन एक निश्चित तरिकामा संरचित हुन्छन् र तिनीहरूलाई सचेत रूपमा प्रयोग गरिन्छ भन्ने राम्रोसँग बुझ्नको लागि, तपाईंले तिनीहरूको मूल कुरा बुझ्न आवश्यक छ।

सापेक्ष बीजगणित के हो?

औपचारिक परिभाषा निम्नानुसार छ: रिलेशनल बीजगणित एक रिलेशनल डेटा मोडेल मा सम्बन्ध मा सञ्चालन को एक बन्द प्रणाली हो। यसलाई अलि बढी मानवीय रूपमा राख्नको लागि, यो तालिकाहरूमा सञ्चालन गर्ने प्रणाली हो जुन परिणाम सधैं तालिका हो।

मा सबै रिलेशनल अपरेशनहरू हेर्नुहोस् यो Habr बाट लेख - यहाँ हामी तपाईंलाई किन जान्न आवश्यक छ र यो कहाँ काममा आउँछ वर्णन गर्दछ।

किन?

क्वेरी भाषाहरू के हुन् र विशेष क्वेरी भाषाहरूमा अभिव्यक्तिहरूको पछाडि कुन अपरेशनहरू छन् भनेर बुझ्न सुरु गर्दा अक्सर क्वेरी भाषाहरूमा के काम गर्छ र कसरी हुन्छ भन्ने बारे गहिरो बुझाइ दिन्छ।

बाट लिइएको हो यो लेखहरू। अपरेशनको उदाहरण: जोड्नुहोस्, जसले तालिकाहरू जोड्दछ।

अध्ययनका लागि सामग्री:

स्ट्यानफोर्डबाट राम्रो परिचयात्मक पाठ्यक्रम। सामान्यतया, त्यहाँ सापेक्ष बीजगणित र सिद्धान्त मा धेरै सामाग्री छन् - Coursera, Udacity। त्यहाँ राम्रो सहित अनलाइन सामग्रीको ठूलो मात्रा पनि छ शैक्षिक पाठ्यक्रमहरू। मेरो व्यक्तिगत सल्लाह: तपाईले रिलेशनल बीजगणितलाई राम्ररी बुझ्न आवश्यक छ - यो आधारभूतहरूको आधार हो।

SQL

बाट लिइएको हो यो लेख

SQL अनिवार्य रूपमा रिलेशनल बीजगणितको कार्यान्वयन हो - महत्त्वपूर्ण चेतावनीको साथ, SQL घोषणात्मक हो! त्यो हो, रिलेशनल बीजगणितको भाषामा क्वेरी लेख्दा, तपाईले वास्तवमा कसरी गणना गर्ने भनेर भन्नुहुन्छ - तर SQL मार्फत तपाईले के निकाल्न चाहनुहुन्छ निर्दिष्ट गर्नुहुन्छ, र त्यसपछि DBMS ले पहिले नै रिलेशनल बीजगणितको भाषामा (प्रभावी) अभिव्यक्तिहरू उत्पन्न गर्दछ। समानता हामीलाई भनेर चिनिन्छ Codd प्रमेय).

बाट लिइएको हो यो लेख

किन?

Relational DBMSs: Oracle, Postgres, SQL Server, आदि अझै पनि लगभग सबै ठाउँमा छन् र त्यहाँ एक अविश्वसनीय उच्च मौका छ कि तपाईंले तिनीहरूसँग अन्तरक्रिया गर्नुपर्नेछ, जसको मतलब तपाईंले या त SQL (जुन धेरै सम्भावित छ) पढ्नुपर्नेछ वा यसलाई लेख्नुपर्छ। असम्भव पनि छैन)।

के पढ्ने र पढ्ने

माथिका समान लिङ्कहरू (सम्बन्धित बीजगणितको बारेमा) अनुसार, त्यहाँ सामग्रीको अविश्वसनीय मात्रा छ, उदाहरणका लागि, यो.

वैसे, NoSQL के हो?

"यो एक पटक फेरि जोड दिन लायक छ कि "NoSQL" शब्दको बिल्कुल सहज उत्पत्ति छ र यसको पछाडि कुनै सामान्यतया स्वीकृत परिभाषा वा वैज्ञानिक संस्था छैन।" अनुरूप लेख Habr मा।

वास्तवमा, मानिसहरूले महसुस गरे कि धेरै समस्याहरू समाधान गर्न एक पूर्ण रिलेसनल मोडेल आवश्यक छैन, विशेष गरी तिनीहरूका लागि जहाँ, उदाहरणका लागि, कार्यसम्पादन महत्वपूर्ण छ र एकत्रीकरणको साथ केही सरल प्रश्नहरू हावी छन् - जहाँ यो द्रुत रूपमा मेट्रिक्स गणना गर्न र तिनीहरूलाई लेख्न महत्त्वपूर्ण छ। डाटाबेस, र धेरैजसो सुविधाहरू सापेक्षिक मात्र नभई अनावश्यक, तर हानिकारक पनि हुन् - किन कुनै चीजलाई सामान्य बनाउने यदि यसले हाम्रो लागि सबैभन्दा महत्त्वपूर्ण कुरा (केही विशिष्ट कार्यको लागि) बिगार्न सक्छ - उत्पादकता?

साथै, क्लासिकल रिलेसनल मोडेलको निश्चित गणितीय स्कीमाहरूको सट्टा लचिलो स्कीमाहरू प्रायः आवश्यक हुन्छन् - र यसले अनुप्रयोग विकासलाई अविश्वसनीय रूपमा सरल बनाउँछ जब यो प्रणाली प्रयोग गर्न र द्रुत रूपमा काम सुरु गर्न, परिणामहरू प्रशोधन गर्न महत्त्वपूर्ण हुन्छ - वा स्कीमा र भण्डार गरिएको डाटाका प्रकारहरू। त्यति महत्त्वपूर्ण छैनन्।

उदाहरण को लागी, हामी एक विशेषज्ञ प्रणाली सिर्जना गर्दैछौं र केहि मेटा जानकारी संग एक विशिष्ट डोमेन मा जानकारी भण्डारण गर्न चाहन्छौं - हामीलाई सबै क्षेत्रहरू थाहा नहुन सक्छ र प्रत्येक रेकर्डको लागि JSON भण्डारण गर्न सक्छ - यसले हामीलाई डाटा विस्तार गर्नको लागि धेरै लचिलो वातावरण दिन्छ। मोडेल र छिटो दोहोरिने - त्यसैले यस अवस्थामा, NoSQL अझ राम्रो र पढ्न योग्य हुनेछ। उदाहरण प्रविष्टि (मेरो एउटा परियोजनाबाट जहाँ NoSQL सही थियो जहाँ यो आवश्यक थियो)।

{"en_wikipedia_url":"https://en.wikipedia.org/wiki/Johnny_Cash",
"ru_wikipedia_url":"https://ru.wikipedia.org/wiki/?curid=301643",
"ru_wiki_pagecount":149616,
"entity":[42775,"Джонни Кэш","ru"],
"en_wiki_pagecount":2338861}

तपाईं थप पढ्न सक्नुहुन्छ यहाँ NoSQL को बारेमा।

के अध्ययन गर्ने?

यहाँ, बरु, तपाईले आफ्नो कार्यलाई राम्ररी विश्लेषण गर्न आवश्यक छ, यसमा कुन गुणहरू छन् र कुन NoSQL प्रणालीहरू उपलब्ध छन् जुन यो विवरणमा फिट हुनेछ - र त्यसपछि यो प्रणालीको अध्ययन सुरु गर्नुहोस्।

स्क्रिप्टिङ क्वेरी भाषाहरू

सुरुमा, यस्तो देखिन्छ, पाइथनले यससँग के गर्नुपर्दछ - यो प्रोग्रामिङ भाषा हो, र कुनै पनि प्रश्नहरूको बारेमा होइन।

पाण्डा शाब्दिक रूपमा डाटा विज्ञानको स्विस आर्मी चाकू हो; यसमा ठूलो मात्रामा डाटा रूपान्तरण, एकत्रीकरण, इत्यादि हुन्छ।
Numpy - भेक्टर गणना, matrices र रैखिक बीजगणित त्यहाँ।
Scipy - यस प्याकेजमा धेरै गणितहरू छन्, विशेष गरी तथ्याङ्कहरू।
Jupyter ल्याब - धेरै अन्वेषण डेटा विश्लेषण ल्यापटपहरूमा राम्रोसँग फिट हुन्छ - जान्न उपयोगी।
अनुरोधहरू - नेटवर्कसँग काम गर्दै।
Pyspark डाटा ईन्जिनियरहरू बीच धेरै लोकप्रिय छ, प्राय: तपाईंले यो वा स्पार्कसँग अन्तरक्रिया गर्नुपर्नेछ, केवल तिनीहरूको लोकप्रियताको कारणले।
*सेलेनियम - साइटहरू र स्रोतहरूबाट डाटा सङ्कलन गर्नको लागि धेरै उपयोगी, कहिलेकाहीँ त्यहाँ डाटा प्राप्त गर्न कुनै अन्य तरिका छैन।

मेरो मुख्य सल्लाह: पाइथन सिक्नुहोस्!

पाण्डस

उदाहरणको रूपमा निम्न कोड लिनुहोस्:

import pandas as pd
df = pd.read_csv(“data/dataset.csv”)
# Calculate and rename aggregations
all_together = (df[df[‘trip_type’] == “return”]
    .groupby(['start_station_name','end_station_name'])
                  	    .agg({'trip_duration_seconds': [np.size, np.mean, np.min, np.max]})
                           .rename(columns={'size': 'num_trips', 
           'mean': 'avg_duration_seconds',    
           'amin': min_duration_seconds', 
           ‘amax': 'max_duration_seconds'}))

अनिवार्य रूपमा, हामी देख्छौं कि कोड क्लासिक SQL ढाँचामा फिट हुन्छ।

SELECT start_station_name, end_station_name, count(trip_duration_seconds) as size, …..
FROM dataset
WHERE trip_type = ‘return’
GROUPBY start_station_name, end_station_name

तर महत्त्वपूर्ण पक्ष यो हो कि यो कोड लिपि र पाइपलाइनको अंश हो; वास्तवमा, हामी पाइथन पाइपलाइनमा प्रश्नहरू इम्बेड गर्दैछौं। यस अवस्थामा, क्वेरी भाषा हामीलाई पुस्तकालयहरू जस्तै पान्डा वा पाइस्पार्कबाट आउँछ।

सामान्यतया, pySpark मा हामी एक समान प्रकारको डाटा रूपान्तरण एक क्वेरी भाषा मार्फत देख्छौं:

df.filter(df.trip_type = “return”)
  .groupby(“day”)
  .agg({duration: 'mean'})
  .sort()

कहाँ र के पढ्ने

सामान्य मा पाइथन मा कुनै समस्या छैन अध्ययन गर्न सामग्री खोज्नुहोस्। त्यहाँ अनलाइन ट्यूटोरियलहरूको ठूलो संख्या छ पाण्डा, pySpark र पाठ्यक्रमहरू स्पार्क (र आफैं पनि DS)। समग्रमा, यहाँको सामग्री गुगलिङको लागि उत्कृष्ट छ, र यदि मैले फोकस गर्नको लागि एउटा प्याकेज छान्नुपर्‍यो भने, यो पक्कै पनि पाण्डा हुनेछ। DS+Python सामग्रीको संयोजनको सन्दर्भमा पनि धेरै धेरै.

क्वेरी भाषाको रूपमा शेल

मैले काम गरेको केही डेटा प्रशोधन र विश्लेषण परियोजनाहरू, वास्तवमा, शेल स्क्रिप्टहरू हुन् जसले पाइथन, जाभामा कोड कल गर्दछ, र शेल आदेशहरू आफैंमा। तसर्थ, सामान्यतया, तपाईले bash/zsh/etc मा पाइपलाइनहरूलाई केहि प्रकारको उच्च-स्तरको प्रश्नको रूपमा विचार गर्न सक्नुहुन्छ (तपाईले अवश्य पनि त्यहाँ सामान लुप गर्न सक्नुहुन्छ, तर यो शेल भाषाहरूमा DS कोडको लागि सामान्य होइन), दिनुहोस्। एक साधारण उदाहरण - मैले विकिडाटाको QID म्यापिङ र रूसी र अंग्रेजी विकिहरूमा पूर्ण लिङ्कहरू गर्न आवश्यक छ, यसको लागि मैले bash मा आदेशहरूबाट एक साधारण अनुरोध लेखें र आउटपुटको लागि मैले पाइथनमा एउटा साधारण लिपि लेखें, जुन मैले यसरी सँगै राख्नुहोस्:

pv “data/latest-all.json.gz” | 
unpigz -c  | 
jq --stream $JQ_QUERY | 
python3 scripts/post_process.py "output.csv"

जहाँ

JQ_QUERY = 'select((.[0][1] == "sitelinks" and (.[0][2]=="enwiki" or .[0][2] =="ruwiki") and .[0][3] =="title") or .[0][1] == "id")'

यो, वास्तवमा, सम्पूर्ण पाइपलाइन थियो जसले आवश्यक म्यापिङ सिर्जना गर्यो; जस्तो कि हामीले देख्यौं, सबै कुरा प्रवाह मोडमा काम गर्यो:

pv फाइलपाथ - फाइल साइजमा आधारित प्रगति पट्टी दिन्छ र यसको सामग्रीहरू अगाडि पास गर्दछ
unpigz -c ले अभिलेखको अंश पढ्यो र jq लाई दियो
कुञ्जीको साथ jq - स्ट्रिमले तुरुन्तै नतिजा उत्पादन गर्यो र पाइथनमा पोस्टप्रोसेसरमा पास गर्यो (पहिलो उदाहरण जस्तै)
आन्तरिक रूपमा, पोस्टप्रोसेसर एक साधारण राज्य मेसिन थियो जसले आउटपुट ढाँचा गर्यो

कुल मिलाएर, ठूलो डेटा (०.५ टीबी) मा प्रवाह मोडमा काम गर्ने जटिल पाइपलाइन, महत्त्वपूर्ण स्रोतहरू बिना र साधारण पाइपलाइन र केही उपकरणहरूबाट बनेको।

अर्को महत्त्वपूर्ण टिप: टर्मिनलमा राम्रो र प्रभावकारी रूपमा काम गर्न सक्षम हुनुहोस् र bash/zsh/etc लेख्नुहोस्।

यो कहाँ उपयोगी हुनेछ? हो, लगभग जताततै - फेरि, इन्टरनेटमा अध्ययन गर्न धेरै सामग्रीहरू छन्। विशेष गरी, यहाँ यो मेरो अघिल्लो लेख।

आर स्क्रिप्टिङ

फेरि, पाठकले उद्घोष गर्न सक्छ - ठीक छ, यो एक सम्पूर्ण प्रोग्रामिङ भाषा हो! र निस्सन्देह, उहाँ सही हुनेछ। जे होस्, मैले सामान्यतया R लाई यस्तो सन्दर्भमा सामना गरें कि, वास्तवमा, यो क्वेरी भाषासँग धेरै मिल्दोजुल्दो थियो।

R एक सांख्यिकीय कम्प्युटिङ वातावरण र स्थिर कम्प्युटिङ र भिजुअलाइजेसनको लागि भाषा हो (का अनुसार यो).

लिएको यहाँ देखि। खैर, म यसलाई सिफारिस गर्दछु, राम्रो सामग्री।

किन एक डाटा वैज्ञानिकले R जान्न आवश्यक छ? कम्तिमा, किनभने त्यहाँ गैर-आईटी व्यक्तिहरूको ठूलो तह छ जसले R मा डेटा विश्लेषण गर्दछ। मैले यसलाई निम्न स्थानहरूमा भेटें:

औषधि क्षेत्र।
जीवविज्ञानीहरू।
वित्तीय क्षेत्र।
विशुद्ध गणितीय शिक्षा भएका मानिसहरू जसले तथ्याङ्कहरूसँग व्यवहार गर्छन्।
विशेष सांख्यिकीय मोडेलहरू र मेसिन लर्निङ मोडेलहरू (जसलाई लेखकको संस्करणमा मात्र R प्याकेजको रूपमा फेला पार्न सकिन्छ)।

किन यो वास्तवमा प्रश्न भाषा हो? जुन फारममा यो प्रायः पाइन्छ, यो वास्तवमा एउटा मोडेल सिर्जना गर्ने अनुरोध हो, जसमा डेटा पढ्ने र क्वेरी (मोडेल) मापदण्डहरू फिक्स गर्ने, साथै ggplot2 जस्ता प्याकेजहरूमा डाटा भिजुअलाइज गर्ने समावेश छ - यो प्रश्नहरू लेखनको एक रूप पनि हो। ।

दृश्यका लागि उदाहरण प्रश्नहरू

ggplot(data = beav, 
       aes(x = id, y = temp, 
           group = activ, color = activ)) +
  geom_line() + 
  geom_point() +
  scale_color_manual(values = c("red", "blue"))

सामान्यतया, R बाट धेरै विचारहरू पाइथन प्याकेजहरू जस्तै pandas, numpy वा scipy, जस्तै डेटाफ्रेमहरू र डेटा भेक्टोराइजेशनमा सरेका छन् - त्यसैले सामान्यतया R मा धेरै चीजहरू तपाईंलाई परिचित र सुविधाजनक लाग्नेछ।

त्यहाँ अध्ययन गर्न धेरै स्रोतहरू छन्, उदाहरणका लागि, यो.

ज्ञान ग्राफ

यहाँ मसँग थोरै असामान्य अनुभव छ, किनकि मैले प्राय: ग्राफहरूको लागि ज्ञान ग्राफहरू र क्वेरी भाषाहरूसँग काम गर्नुपर्छ। तसर्थ, हामी छोटकरीमा आधारभूत कुराहरूमा जाऔं, किनकि यो भाग अलि बढी विदेशी छ।

शास्त्रीय रिलेशनल डाटाबेसहरूमा हामीसँग एक निश्चित योजना छ, तर यहाँ स्कीमा लचिलो छ, प्रत्येक भविष्यवाणी वास्तवमा "स्तम्भ" हो र अझ बढी।

कल्पना गर्नुहोस् कि तपाइँ एक व्यक्तिको मोडेल गर्दै हुनुहुन्छ र मुख्य चीजहरू वर्णन गर्न चाहानुहुन्छ, उदाहरणका लागि, एक विशेष व्यक्ति, डगलस एडम्स लिनुहोस्, र यो विवरणलाई आधारको रूपमा प्रयोग गर्नुहोस्।

www.wikidata.org/wiki/Q42

यदि हामीले रिलेसनल डाटाबेस प्रयोग गर्यौं भने, हामीले ठूलो संख्यामा स्तम्भहरूको साथ ठूलो तालिका वा तालिकाहरू सिर्जना गर्नुपर्नेछ, जसमध्ये धेरै जसो NULL हुनेछ वा केही पूर्वनिर्धारित False मानले भरिएको छ, उदाहरणका लागि, यो सम्भव छैन कि हामी मध्ये धेरै कोरियाली राष्ट्रिय पुस्तकालयमा प्रविष्टि - निस्सन्देह, हामीले तिनीहरूलाई अलग-अलग तालिकाहरूमा राख्न सक्छौं, तर यो अन्ततः एक निश्चित रिलेशनल एक प्रयोग गरेर भविष्यवाणीहरूको साथ लचिलो तार्किक सर्किट मोडेल गर्ने प्रयास हुनेछ।

त्यसैले कल्पना गर्नुहोस् कि सबै डाटा ग्राफको रूपमा वा बाइनरी र एकल बुलियन अभिव्यक्तिको रूपमा भण्डारण गरिएको छ।

तपाईं पनि यो कहाँ सामना गर्न सक्नुहुन्छ? पहिलो, संग काम डाटा विकि, र कुनै पनि ग्राफ डेटाबेस वा जडान डेटा संग।

मैले प्रयोग गरेको र काम गरेको मुख्य क्वेरी भाषाहरू निम्न हुन्।

SPARQL

Wiki:
SPARQL (पुनरावर्ती एक्रोनिम देखि Eng। SPARQL प्रोटोकल र RDF क्वेरी भाषा) - डाटा क्वेरी भाषा, मोडेल द्वारा प्रतिनिधित्व RDFर प्रोटोकल यी अनुरोधहरू प्रसारण गर्न र तिनीहरूलाई जवाफ दिन। SPARQL सिफारिस गर्नुभयो W3C कन्सोर्टियम र प्रविधि मध्ये एक सिमेन्टिक वेब.

तर वास्तविकतामा यो तार्किक युनरी र बाइनरी भविष्यवाणीहरूको लागि क्वेरी भाषा हो। तपाइँ केवल सशर्त रूपमा बुलियन अभिव्यक्तिमा के निश्चित छ र के छैन (धेरै सरलीकृत) निर्दिष्ट गर्दै हुनुहुन्छ।

RDF (संसाधन विवरण फ्रेमवर्क) आधार नै, जसमा SPARQL प्रश्नहरू कार्यान्वयन गरिन्छ, एक ट्रिपल हो। object, predicate, subject - र क्वेरीले आत्मामा निर्दिष्ट प्रतिबन्धहरू अनुसार आवश्यक ट्रिपलहरू चयन गर्दछ: P_55(X, q_33) सत्य हो जस्तो X फेला पार्नुहोस् - जहाँ, निस्सन्देह, p_55 ID 55 सँग कुनै प्रकारको सम्बन्ध हो, र q_33 एक हो। ID 33 को साथ वस्तु (यहाँ र सम्पूर्ण कथा, फेरि सबै प्रकारका विवरणहरू छोडेर)।

डेटा प्रस्तुतीकरणको उदाहरण:

यहाँ देशहरु संग तस्वीर र उदाहरण यहाँ देखि.

आधारभूत प्रश्न उदाहरण

वास्तवमा, हामी ? देश चर को मूल्य पत्ता लगाउन चाहन्छौं जस्तै predicate को लागी
member_of, यो सत्य हो कि member_of(?country,q458) र q458 यूरोपीय संघको ID हो।

पाइथन इन्जिन भित्रको वास्तविक SPARQL क्वेरीको उदाहरण:

सामान्यतया, मैले यसलाई लेख्नुको सट्टा SPARQL पढ्नु परेको छ - त्यस अवस्थामा, डाटा कसरी पुन: प्राप्त हुन्छ भन्ने कुरा बुझ्नको लागि कम्तिमा आधारभूत स्तरमा भाषा बुझ्न यो उपयोगी सीप हुन सक्छ।

त्यहाँ अनलाइन अध्ययन गर्न धेरै सामग्री छ: उदाहरण को लागी, यहाँ यो и यो। म सामान्यतया गुगल विशिष्ट डिजाइन र उदाहरणहरू र अहिलेको लागि पर्याप्त छ।

तार्किक प्रश्न भाषाहरू

तपाईं मेरो लेख मा शीर्षक मा थप पढ्न सक्नुहुन्छ यहाँ। र यहाँ, हामी केवल संक्षिप्त रूपमा जाँच गर्नेछौं किन तार्किक भाषाहरू प्रश्नहरू लेख्नका लागि उपयुक्त छन्। अनिवार्य रूपमा, RDF फारम p(X) र h(X,Y) को तार्किक कथनहरूको एक सेट मात्र हो, र तार्किक क्वेरी निम्न फारम छ:

output(X) :- country(X), member_of(X,“EU”).

यहाँ हामी नयाँ predicate output/1 (/1 को अर्थ unary) सिर्जना गर्ने बारे कुरा गर्दैछौं, यदि X को लागि यो देश (X) - अर्थात् X एउटा देश हो र सदस्य_of(X,"EU") हो भने।

त्यो हो, यस अवस्थामा, डेटा र नियमहरू दुवै उस्तै तरिकामा प्रस्तुत गरिन्छ, जसले हामीलाई समस्याहरू धेरै सजिलै र राम्रोसँग मोडेल गर्न अनुमति दिन्छ।

उद्योगमा कहाँ भेट्नुभयो ?: एक कम्पनीको साथ एक पूरै ठूलो परियोजना जसले यस्तो भाषामा प्रश्नहरू लेख्छ, साथै प्रणालीको कोरमा हालको परियोजनामा - यो एक बरु विदेशी कुरा हो जस्तो देखिन्छ, तर कहिलेकाहीँ यो हुन्छ।

तार्किक भाषा प्रशोधन विकिडाटामा कोड टुक्राको उदाहरण:

सामग्रीहरू: म यहाँ आधुनिक तार्किक प्रोग्रामिङ भाषा उत्तर सेट प्रोग्रामिङका लिङ्कहरू दिनेछु - म यसलाई अध्ययन गर्न सिफारिस गर्छु:

स्रोत: www.habr.com

डाटा वैज्ञानिकका नोटहरू: डाटा क्वेरी भाषाहरूको व्यक्तिगत समीक्षा