【腾讯云云上实验室】向量数据库与数据挖掘分析的黄金组合指南

万物皆可der2023-11-25 2:05

前言：

在当今信息化时代，掌握对数据进行挖掘和分析的能力变得愈发关键。根据需求精准处理数据不仅仅是一项技能，更是对未来决策和操作的至关重要的支持。除了熟练运用适当的算法模型对大数据进行挖掘和分析外，合理高效存储和处理大量数据，对开发者和企业来说变得越来越重要。

文章目录

前几天，和往常一样下班后回家打开电脑学一会，偶然机会看到了腾讯云刚发布的向量数据库体验活动，刚好最近手头的工作也忙完了，于是下意识也报名申请了一个体验名额。在体验使用的时候，也融入了一些对数据进行分析和挖掘的算法。

整体使用感觉也非常棒，经过这几天的整理和总结，能够帮助不了解或者没使用过的小伙伴快速熟悉并且有一定的上手。 （腾讯云向量数据库:感兴趣的小伙伴可以去申请名额体验)

一、走近腾讯云向量数据库

看到向量数据库你可能会想到数据库，但是它和传统数据库相比有鲜明的优点。可能有不少朋友在平常工作或者生活中，或多或少都接触过一些关于向量数据库的消息，作为一个全能的程序员，除了关注底层的逻辑外，清晰明了向量数据库发展的方向和未来趋势，能否抓住这个在发展风口机会。我们还需要去了解，让我来以腾讯云向量数据库为例给你讲讲吧。

随着AI技术的快速发展，越来越多的公司和企业开始重视底层数据的合作探索。在将大型模型应用于实际场景中，数据处理和挖掘变得至关重要。向量数据库作为支撑大型模型的关键基础设施，将在个人、企业和社交媒体等领域发挥越来越重要的作用。

总的来说：向量数据库的优势在于高效的向量相似性搜索、高维数据处理、特定索引结构、异构数据类型支持，适用于机器学习和深度学习、大规模数据处理，提供实时性能。选择使用向量数据库应基于应用需求和性能评估。

二、助力数据收集和处理

每天，每个人都面临来自各个渠道的数千条信息。而对于开发者和企业用户而言，每天需要处理的信息量更是以万计甚至千亿计。信息的接收和处理成为一个极具挑战性的任务。。

往往让开发者和企业在处理数据方面头疼的问题不外乎：

1. 如何适应业务数据快速变化的需求？

2. 如何保障数据安全？

3. 如何实现业务系统对高实时响应的要求？

4. 如何在多样化的销售和服务场景中？

腾讯云向量数据库由于其卓越的稳定性、性能、易用性和便捷的运维，都展现出了显著优势，能够提供高效稳定的服务。

  1. 高性能： 向量数据库单索引支持10亿级向量数据规模，可支持百万级 QPS 及毫秒级查询延迟。
  2. 高可用： 向量数据库提供多副本高可用特性，其多可用区和三节点的架构可用性可达99.99%，显著提高系统的
  3. 可靠性和容错性：确保数据库在面临节点故障和负载变化等挑战时仍能正常运行。
  4. 大规模： 向量数据库架构支持水平扩展，单实例可支持百万级 QPS，轻松满足 AI 场景下的向量存储与检索需求。
  5. 低成本： 只需在管理控制台按照指引，简单操作几个步骤，即可快速创建向量数据库实例，全流程平台托管，无需进行任何安装、部署和运维操作，有效减少机器成本、运维成本和人力成本开销。
  6. 简单易用： 支持丰富的向量检索能力，用户通过 HTTP API 接口即可快速操作数据库，开发效率高。同时控制台提供了完善的数据管理和监控能力，操作简单便捷。
  7. 稳定可靠： 向量数据库源自腾讯集团自研的向量检索引擎 OLAMA，近40个业务线上稳定运行，日均处理的搜索请求高达千亿次，服务连续性、稳定性有保障。

三、数据挖掘和分析使用指南

1. 准备工作

  1. 首先我们需要去申请一台向量数据库 腾讯云向量数据库申请 ，登录进入后，点击新建。如图，是已经构建好的向量数据库
  2. 配置向量数据库实例相关信息
  3. 创建好向量数据库后，可以查看相关的配置信息，包括内网外网访问地址，以及密钥信息
  4. 创建好向量数据库后，点击登录，来到向量数据库登录界面，如图需要账号和密码账号默认是root，密码是向量数据库配置中的密钥
  5. 登录进去后，可以看到先向量数据库管理模块和数据操作模块。管理模块可以创建向量数据库，管理集合。数据操作模块可以进行精确、相似度查询、插入/替换、更新、删除数据。

2. 数据操作演示（平台端）

腾讯云向量数据库支持多种方式操作向量数据库，包括：使用平台数据操作模块操作，或者接入Python，Java以及HttpAPI来进行操作，在这里我演示一下平台数据操作和接入Python的SDK使用。

1.插入/更新 参数数据 支持以json格式插入数据

2.精确查询 参数支持以 表单和JSON两种格式根据不同情况（包括：主键和条件进行查询)

3.相似度查询 可以根据不同格式进行检索，同时也支持条件查询和主键查询，这一步会检索出结果有相似程度的数据

4.删除数据 可以根据条件查询删除，同时也可以根据主键去删除

3. 数据操作演示（SDK接入）

1.官方提供了多种接入方式，在这里我以Python为例子，进行接入 腾讯云向量数据库API文档

2.以Python为例，本地连接远程向量数据库

首先需要导入依赖：

python 复制代码 
pip install tcvectordb

然后连接远程向量数据库，这一块url 输入你的向量数据库外网地址，apikey输入你的向量数据库密钥

python 复制代码 
import tcvectordb
from tcvectordb.model.enum import FieldType, IndexType, MetricType, ReadConsistency

#这一块url 输入你的向量数据库外网地址，apikey输入你的向量数据库密钥
client = tcvectordb.VectorDBClient(url='http://10.0.X.X', username='root', key='eC4bLRy2va******************************', read_consistency=ReadConsistency.EVENTUAL_CONSISTENCY, timeout=30)
# 连接到数据库
db = client.database('test')

# 获取或创建集合
coll = db.collection("test_1")

3.连接好后，就可以对向量数据库中数据进行相关操作，通过查看文档API，可以实现刚才第二步骤上的平台数据操作流程，下面举几个例子

4. 如下图所示，可以根据文档进行代码编写，实现数据库和数据库中集合的相关操作

4. 以汽车相关数据进行分析预测

目的：通过数据分析根据二手汽车行驶的公里来预测汽车的二手价格

1.原数据：总共几万条二手汽车信息数据，处理之后存入向量数据库中，模拟实际情况

这里是处理一些脏数据，然后存入向量数据库中

python 复制代码 
def hadnle(data):
    data = data[data.Km != '百公里内']
    data = data[data.Boarding_time != '未上牌']
    data = data[data.New_price != '暂无']
    data = data[['Km', 'Sec_price', 'Boarding_time', 'New_price']]
    data['New_price'] = data['New_price'].apply(lambda x: float(x.strip('万')))

    def km_to_float(x):
        return float(x.strip('万公里'))

    data['Km'] = data['Km'].apply(km_to_float)
    data['Boarding_time'] = (pd.to_datetime(data['Boarding_time'], format='%Y年%m月') - pd.to_datetime(
        '2000-01-01')).dt.days / 30
    data['Sec_price'] = data['Sec_price'].apply(lambda x: float(x))
    return data

2.通过将部分汽车数据存储在向量数据库的集合中

3.可以通过学习官方API提取出想要的数据：

举例：根据需求从对应向量数据库的集合中提取中想要的数据

python 复制代码 
import tcvectordb
from tcvectordb.model.enum import FieldType, IndexType, MetricType, ReadConsistency
from tcvectordb.model.index import Index, VectorIndex, FilterIndex, HNSWParams
from tcvectordb.model.document import Document, Filter, SearchParams

#create a database client object
client = tcvectordb.VectorDBClient(url='http://10.0.X.X', username='root', key='eC4bLRy2va******************************', read_consistency=ReadConsistency.EVENTUAL_CONSISTENCY, timeout=30)

db = client.database('db-test')
coll = db.collection('book-vector')

# Set filter
filter_param=Filter(Filter.In("bookName",["三国演义", "西游记"]))
# query 
doc_list = coll.query(document_ids=['0001','0002','0003'], retrieve_vector=True, filter=filter_param, limit=3, offset=0, output_fields=['bookName','author'])

for doc in doc_list:
          print(doc)

4.通过机器学习方法对需要的数据进行分析：（具体情况根据）

线性回归分析：

python 复制代码 
data = hadnle(data)

# 根据需要选择输入和输出特征
X = data[['Km','Boarding_time','New_price']]
Y = data['Sec_price']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=42)

# 使用线性回归模型
model = linear_model.LinearRegression()

#训练模型
model.fit(X_train, y_train)

# 用测试集评估模型性能
y_pred = model.predict(X_test)
mae = mean_absolute_error(y_test, y_pred)
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
r2 = r2_score(y_test, y_pred)

分析结果：

5.决策树回归模型分析：

python 复制代码 
data = hadnle(data)
# 根据需要选择输入和输出特征
X = data[['Km','Boarding_time','New_price']]
Y = data['Sec_price']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=42)

# 创建决策树回归模型
model = DecisionTreeRegressor(random_state=42)

#训练模型
model.fit(X_train, y_train)

# 用测试集评估模型性能
y_pred = model.predict(X_test)
mae = mean_absolute_error(y_test, y_pred)
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
r2 = r2_score(y_test, y_pred)

分析结果：

6.随机森林模型分析：

python 复制代码 
data = hadnle(data)
# 根据需要选择输入和输出特征
X = data[['Km','Boarding_time','New_price']]
Y = data['Sec_price']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=42)

#随机森林
model = RandomForestRegressor(n_estimators=100, random_state=42)
model.fit(X_train, y_train)

#训练模型
model.fit(X_train, y_train)

# 用测试集评估模型性能
y_pred = model.predict(X_test)
mae = mean_absolute_error(y_test, y_pred)
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
r2 = r2_score(y_test, y_pred)

分析结果：

四、大数据时代下的数据挖掘的未来趋势

通过在向量数据库中存储经过AI模型训练的向量嵌入，能够实现高效的相似度搜索和近邻查询，从而显著提升查询速度。向量数据库不仅支持多模态数据的存储和检索，还能够处理各种不同类型的数据，包括文本、图像和音频等。这对于多模态AI应用，如视觉与语义检索以及多模态生成等，具有重要意义。

随着实时性能的不断提升，向量数据库将更好地满足实时数据检索和分析的需求，对预测分析、信息处理等领域产生深远的影响。我们可以期待数据库未来支持更多数据类型，包括但不限于图像、文本和音频，以更好地适应多模态数据的存储和检索。总体而言，向量数据库将为数据处理领域带来创新，为各行业提供更高效、智能的数据管理服务。

五、总结

通过这个参与活动体验腾讯云向量数据库，整体感觉使用起来非常棒，感兴趣的小伙伴可以通过下方方式了解更多信息，体验和使用向量数据库进行开发。也祝腾讯云向量数据库越来越好。

相关推荐
零炻大礼包26 分钟前
【SQL server】数据库远程连接配置
数据库
zmgst35 分钟前
canal1.1.7使用canal-adapter进行mysql同步数据
java·数据库·mysql
几两春秋梦_35 分钟前
符号回归概念
人工智能·数据挖掘·回归
随心............37 分钟前
python操作MySQL以及SQL综合案例
数据库·mysql
€☞扫地僧☜€38 分钟前
docker 拉取MySQL8.0镜像以及安装
运维·数据库·docker·容器
CopyDragon42 分钟前
设置域名跨越访问
数据库·sqlite
xjjeffery43 分钟前
MySQL 基础
数据库·mysql
写bug的小屁孩1 小时前
前后端交互接口（三）
运维·服务器·数据库·windows·用户界面·qt6.3
恒辉信达1 小时前
hhdb数据库介绍(8-4)
服务器·数据库·mysql
齐 飞2 小时前
MongoDB笔记01-概念与安装
前端·数据库·笔记·后端·mongodb
热门推荐
01【HarmonyOS】HUAWEI DevEco Studio 下载地址汇总02(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明03组基轨迹建模 GBTM的介绍与实现（Stata 或 R）04【AIGC】重塑未来的科技巨轮05全面解析：构建基于深度学习的安全帽检测系统（UI界面+YOLO代码+数据集）06【经验分享】Ubuntu22.04安装微信(linux官方版)07基于YOLOv10深度学习的CT扫描图像肾结石智能检测系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测08Ubuntu 20.04使用Livox mid 360 测试 FAST_LIO09RAG 实践- Ollama+RagFlow 部署本地知识库10【TC3xx芯片】TC3xx芯片电源管理系统PMS详解