这篇博文有助于连接saphanadb（version1.0sps12），然后从HANA表/视图中提取数据，数据大屏，并使用Python库分析数据。然后你可以清理和选择自变量/特征数据，为机器学习算法提供数据，淘客推广平台，以预测因变量或发现见解。
场景：我拿的是国有初创公司的支出（研发支出、管理支出、，SAP HANA DB中数据的来源
目标是预测给定支出值集的利润。我不是在这里解释有关ML算法和参数调整的细节。我想展示从SAP HANA DB中提取数据、分析、清理、特征选择和应用机器学习模型的端到端过程，最后将结果和ML算法性能指标写回HANA表。
线性回归是研究和业务中最常用的模型，也是最简单的模型为了理解，所以使用随机森林回归方法我们将预测利润。
下图显示了ML预测生命周期和用例中的步骤。
这个过程涉及的基本步骤是：
我创建了两个表，一个包含实际的公司数据，用于存储事务数据。第二个用于存储机器学习算法的度量（例如：MAE、R Squared、MAPE、RMSE、，准确度等）
请查找下表的结构。
主要交易数据表结构。
ML度量表存储评估参数。
预测前的历史数据（小于当月），按状态显示的支出和利润如下。我还增加了预测利润栏，用python用ML算法存储预测值，现在更新为空值
从"SCHEMA"中选择*启动数据2
让我们在HANA Studio中用SQL分析数据，用下面的SQL可以找到均值、标准差、中值、最大值、最小值和空值计数。（您可以尝试所有的措施）
选择状态，总和（利润），平均（利润），计数（利润），最大（利润），
计数（不同利润）为"唯一"，stddev（利润），最小（利润），大数据库，中位数（利润），
总和（如果利润为空，则1或0结束）为"空的数量"
从"架构"。"启动数据2"按状态分组
按状态排序；
现在我来到Python脚本接口（Jupyter或spyder）。
导入所需的库。
PYODBC是一个开放源码的Python模块，使访问ODBC数据库变得简单。它实现了dbapi2.0规范，但却带来了更多的Pythonic便利。使用pyodbc，您可以使用ODBC驱动程序轻松地将Python应用程序连接到数据源。
通常，pyodbc的安装与任何其他Python包一样，通过运行：
pip install pyodbc
from a Windows DOS prompt or Unix shell。
要使用conda run安装此包，请执行以下操作：conda安装-c anaconda pyodbc
Seaborn:Seaborn是一个建立在Matplotlib之上的图形库。它可以使您的图表更漂亮，并促进一些常见的数据可视化需求
熊猫：熊猫是一个开源的，BSD许可的库，为Python编程语言提供高性能，易于使用的数据结构和数据分析工具。
Numpy:Numpy是科学计算与蟒蛇。除了其明显的科学用途之外，NumPy还可以作为通用数据的高效多维容器
Sklearn:Scikit learn通过Python中的一致接口提供了一系列有监督和无监督的学习算法。它具有各种分类、回归和聚类算法，包括支持向量机、随机森林、梯度增强、k-均值和DBSCAN，设计用于与Python数字和科学库NumPy和SciPy互操作
建立连接，一旦建立连接，应用程序可以执行驱动程序和数据库支持的选择、插入或其他ODBC操作。
conn=pyodbc.connect连接（'DRIVER={HDBODBC}；服务器节点）=IP地址：30115；SERVERDB=HV1；UID=USERID；PWD=PASSWORD'）
#打开到SAP HANA的连接并检查记录计数
#检查表是否有条目
cursor=连接光标（）
sql_query1='选择计数（*）自SCHEMA.u数据2'
数据计数=pd.read\U sql数据库（sql\u query1，conn）
dcount
print（'表存在并包含'，数据头(1), '记录'）
执行Select SQL并读取数据并保存到数据框。一旦数据进入数据框，您可以应用所有统计函数来分析数据，如下所示：
#查询sap hana db数据并存储在数据框
sql_query2='选择*从SCHEMA.u数据2'
df=pd.read\U sql数据库（sql查询2，连接件）
测向头（）
#使用GROUP BY子句分析数据
df1.groupby（'STATE'）.agg（{PROFIT'：['sum'、'mean'、'count'、'max'、'std'、'min'，'median']}）。舍入（0）
使用函数检查缺失值或空值，并相应地用mean/mode替换值。
例如，我在Rnd Spend列中有两个空值，因此用mean/median值替换。如果该列有更多的空值，则可以从分析中删除该列。
编码标称值，例如State有3个唯一值（'New York'、'California'、'Florida'），使用map函数
map（{'New York'：0，'California'：1，"佛罗里达"：2}）
现在找出因变量和自变量之间的相关性，最终确定预测的自变量/特征。在观察数据之后，选择（研发支出、管理支出和营销支出）作为自变量，利润作为因变量。
现在我使用随机森林回归来预测利润。
随机森林或随机决策森林是分类和回归（以及其他任务）的集成学习方法.随机林是袋装的决策树模型，在每次分割（每次迭代）时训练特征子集。
使用insert和update语句，您可以将数据发送回数据库表（例如：ML度量和预测值）。插入时注意主键。
SAP HANA表数据：
将预测利润值更新到数据框。
检查SAP HANA表中的数据，查看预测利润列中的更新值。
