Importálás Azure Blob Storage

Fontos

A (klasszikus) Machine Learning Studio támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy addig térjen át az Azure Machine Learning használatára.

2021. december 1-től kezdve nem fog tudni létrehozni új (klasszikus) Machine Learning Studio-erőforrásokat. 2024. augusztus 31-ig továbbra is használhatja a meglévő (klasszikus) Machine Learning Studio-erőforrásokat.

• További információ a gépi tanulási projektek a ML Studióból a klasszikusból a Azure Machine Learning.
• További információ a Azure Machine Learning.

A (klasszikus) ML Studio dokumentációjának kivezetése folyamatban van, és a jövőben nem várható a frissítése.

Ez a témakör azt ismerteti, hogyan használható az Adatok importálása modul a Machine Learning Studióban (klasszikus) az Azure Blob Storage-ból történő adatbeolvasáshoz, hogy az adatokat használva egy gépi tanulási kísérletben is használni tudja az adatokat.

Megjegyzés

A következőkre vonatkozik: Machine Learning Studio (klasszikus)

Hasonló húzással használható modulok érhetők el Azure Machine Learning tervezőben.

Az Azure Blob Szolgáltatás nagy mennyiségű adat, köztük bináris adatok tárolására szolgál. Az Azure-blobok bárhonnan elérhetők HTTP vagy HTTPS használatával. A blobtároló típusától függően szükség lehet hitelesítésre.

• A nyilvános blobokat bárki, vagy SAS URL-lel használó felhasználók érhetik el.
• A privát blobok bejelentkezést és hitelesítő adatokat igényelnek.

A Blob Storage-ból való importáláshoz az adatokat blokkblob formátumban tárolt blobban kell tárolni. A blobban tárolt fájloknak vesszővel elválasztott (CSV) vagy tabulátolt (TSV) formátumot kell használniuk. Amikor beolvassa a fájlt, a rekordok és a vonatkozó attribútumfejlécek sorként vannak betöltve a memóriába adatkészletként.

Megjegyzés

Az adatimportolási modul nem támogatja a Azure Blob Storage-fiókhoz való csatlakozást, ha a "Biztonságos átvitelre van szükség" beállítás engedélyezve van.

A blobtárolókhoz támogatott blobtárolótípusokra vonatkozó további Machine Learning a Műszaki megjegyzések szakaszban található.

Tipp

Nem támogatott formátumban kell importálni az adatokat? Használhatja a Pythont vagy az R-t. Tekintse meg ezt a mintát a Azure AI Gallery: Nem szöveges fájl betöltése a Azure Blob Storage

Adatok importálása Azure-blobból

Határozottan javasoljuk, hogy az importálás előtt készítse el az adatok profilját, hogy a séma biztosan a várt módon legyen. Az importálási folyamat átvizsgál néhány fő sort a séma meghatározásához, de a későbbi sorok további oszlopokat vagy hibákat okozhatnak.

Az Adatimport varázsló használata

A modul tartalmaz egy új varázslót, amely segít kiválasztani a tárolási lehetőségeket, választani a meglévő előfizetések és fiókok közül, és gyorsan konfigurálni az összes beállítást.

1. Adja hozzá az Adatok importálása modult a kísérlethez. A modult a (klasszikus) Studióban, az Adatbemenet és -kimenet kategóriában találja.

2. Kattintson az Adatok importálása varázsló indítása elemre , és kövesse az utasításokat.

3. Ha a konfigurálás befejeződött, az adatok a kísérletbe való másoláshoz kattintson a jobb gombbal a modulra, és válassza a Kijelölt futtatása lehetőséget.

Ha egy meglévő adatkapcsolatot kell szerkesztenie, a varázsló betölti az összes korábbi konfigurációs adatot, így nem kell elölről kezdenie.

Tulajdonságok manuális beállítása az Adatok importálása modulban

A következő lépések ismertetik, hogyan konfigurálhatja manuálisan az importálási forrást.

1. Adja hozzá az Adatok importálása modult a kísérlethez. Ezt a modult a (klasszikus) Studióban, az Adatbemenet és -kimenet kategóriában találja.

2. Az Adatforrás mezőbenválassza a Azure Blob Storage.

3. A Hitelesítés típusa mezőben válassza a Nyilvános (SAS URL) lehetőséget, ha tudja, hogy az információ nyilvános adatforrásként lett megtéve. Az SAS URL-cím egy, az Azure Storage segédprogrammal létrehozható, időkorrekta URL-cím a nyilvános hozzáféréshez.

   Ellenkező esetben válassza a Fiók lehetőséget.

4. Ha az adatok egy SAS URL-cím használatával elérhető nyilvános blobban vannak, nincs szükség további hitelesítő adatokra, mert az URL-sztring tartalmazza a letöltéshez és a hitelesítéshez szükséges összes információt.

   Az URI mezőbe írja vagy illessze be a fiókot és a nyilvános blobot definiáló teljes URI-t.

   Megjegyzés

   A SAS URL-címről elérhető oldalon az adatok csak a következő formátumokkal tárolhatók: CSV, TSV és ARFF.

5. Ha az adatai privát fiókban vannak , meg kell adnunk a hitelesítő adatokat, beleértve a fiók nevét és a kulcsot.

   • A Fiók neve mezőbe írja vagy illessze be az elérni kívánt blobot tartalmazó fiók nevét.

     Ha például a tárfiók teljes URL-címe https://myshared.blob.core.windows.net, akkor a következőt kell begépelni: myshared.

   • A Fiókkulcsba illessze be a fiókhoz társított tárelérési kulcsot.

     Ha nem ismeri a hozzáférési kulcsot, tekintse meg az "Azure Storage-fiókok kezelése" című szakaszt a következő cikkben: Az Azure Storage-fiókokról.

6. A Tároló, könyvtár vagy blob elérési útja mezőbe írja be a lekérni kívánt blob nevét.

   Ha például feltöltött egy data01.csv nevű fájlt a mymldata nevű fiókban található trainingdata tárolóba, a fájl teljes URL-címe a következő lesz: https://mymldata.blob.core.windows.net/trainingdata/data01.txt.

   Ezért a Tároló, könyvtár vagy blob elérési útja mezőbe írja be a következőt: trainingdata/data01.csv

   Több fájl importáláshoz használhatja a * helyettesítő karaktereket (csillag) ? vagy a (kérdőjelet).

   Ha például trainingdata a tároló több, kompatibilis formátumú fájlt tartalmaz, dataa következő specifikációval beolvashatja az -nal kezdődő összes fájlt, és egyetlen adatkészletbe egyesítheti őket:

   trainingdata/data*.csv

   A tárolónevekben nem használhat helyettesítő karaktereket. Ha több tárolóból kell fájlokat importálni, használja az Adatok importálása modul külön példányát az egyes tárolókhoz, majd egyesítheti az adatkészleteket a Sorok hozzáadása modullal.

   Megjegyzés

   Ha a Gyorsítótárazott eredmények használata lehetőséget választotta, a tárolóban lévő fájlokon végzett módosítások nem váltják ki a kísérletben lévő adatok frissítését.

7. A Blobfájlformátum beállításnál válassza ki a blobban tárolt adatok formátumát jelző beállítást, hogy a Machine Learning megfelelően feldolgozza az adatokat. A következő formátumok támogatottak:

   • CSV: A vesszővel elválasztott értékek (CSV) az alapértelmezett tárolási formátum a fájlok exportálására és importálására a Machine Learning. Ha az adatok már tartalmaznak fejlécsort, mindenképpen válassza a Lehetőséget, a Fájl fejlécsort tartalmaz, vagy a fejléc adatsorként lesz kezelve.

     A fájlban használt CSV-Machine Learning lásd: [Konvertálás CSV-fájlká](átalakítás csv.md

   • TSV: A lapokkal elválasztott értékek (TSV) formátumot számos gépi tanulási eszköz használja. Ha az adatok már tartalmaznak fejlécsort, mindenképpen válassza a Lehetőséget, a Fájl fejlécsort tartalmaz, vagy a fejléc adatsorként lesz kezelve.

     További információ a TSV formátumról, amely a Machine Learning: Convert to TSV.

   • ARFF: Ez a formátum támogatja a Fájlok importálását a Weka eszközkészlet által használt formátumban. További információ: Átalakítás ARFF-be.

   • CSV megadott kódolással: Ezt a beállítást olyan CSV-fájlokhoz használja, amelyek esetleg egy másik mezőelválasztóval vannak előkészve, vagy ha a forrás az UTF-8-tól eltérő karakterkódolást használt. Ez a formátum sas URL-címben tárolt fájlok esetén nem támogatott.

   • Excel: Ezzel a beállítással adatokat olvashat Excel tárolt munkafüzetek Azure Blob Storage. A Excel SAS URL-ben tárolt fájlok nem támogatottak.

8. A speciális kódolással is használható CSV-fájlok esetén adja meg a következő további beállításokat a karakterek megfelelő importálásának vezérléséhez:

   • Vesszőelválasztó formátum: Válasszon a mezőelválasztóként használt gyakori karakterek listájából, , beleértve a vessző tabulátor karakterét és a pontosvesszőt ;.

   • Kódolási formátum: Válassza ki az olvasni kívánt fájl által használt karakterkódolást. A támogatott kódolások listáját a Műszaki megjegyzések szakaszban láthatja.

   • A fájl fejlécsorral rendelkezik: Válassza ezt a lehetőséget, ha az adatok már tartalmaznak fejlécsort. Ellenkező esetben a fejléc adatsorként lesz importálva.

9. A Excel fájlok esetén a Excel-fájlt tároló fiók és tároló megadása után meg kell adnia Excel Excel formátumát és tartományát vagy táblanevét az alábbi beállításokkal:

   • Excel formátuma: Azt jelzi, hogy az adatok egy Excel munkalaptartományba vagy egy Excel vannak-e.

   • Excel táblázat: Ha az Excel munkalap lehetőséget választja, adja meg a munkalap nevét (a lap nevét) vagy a munkafüzetbe ágyazott táblázatot. A rendszer a munkalap összes adatát beolvassa; nem adhat meg cellatartományt. Ha a táblázat Excel lehetőséget választja, akkor a táblázat nevét kell kapnia, és nem a munkalap nevét, még akkor is, ha csak egy tábla található a munkalapon. A tábla nevének megtekintéséhez kattintson a táblázaton belülre, majd tekintse meg a Tábla neve tulajdonságot a Táblázateszközök lapon.

10. Futtassa a kísérletet.

Példák

Ha meg szeretne ismerkedni a gépi tanulási kísérletekben Azure Blob Storage adatokkal, tekintse meg az Azure Galleryt:

• Hírkategorizálási minta: Betölti, majd egyesíti a Azure Blob Storage.

• Tanulói teljesítményminta: A TSV formátumban tárolt adatokat olvassa be a Azure Blob Storage.

Technikai megjegyzések

Ez a szakasz az implementáció részleteit, tippeket és válaszokat tartalmazza a gyakori kérdésekre.

Gyakori kérdések

Van mód az adatimportolás automatizálására?

Az új adatok többféleképpen is lekért és használhatók a kísérlet rendszeres frissítésére. Sok múlik azon, hogy honnan származnak a forrásadatok, és hogy milyen eszközökre van szükség az adatátmozgatáshoz. néhány ötletért tekintse meg ezeket a cikkeket.

• Adatlap: automatizált folyamat Machine Learning

• Adatok áthelyezése Blob Storage-tárolóba SSIS használatával

• Kísérletek programozott újraképzése

A kísérlet végrehajtásának automatizálásához általában egy webszolgáltatás létrehozása szükséges, amelyet aztán egy feladatütemező, a PowerShell vagy más egyéni kód aktiválhat.

Miért kapok hibaüzenetet, amikor bemeneti adatokat próbáltam beolvasni egy meglévő blobból?

Több lehetséges probléma is lehetséges:

• A blob nem támogatott formátumot használ
• Maga a fiók egy olyan beállítással lett létrehozva, amelyet a Machine Learning.

Nem támogatott formátum: A Azure Blob Storage olvasása Machine Learning a blobnak blokkblob formátumot kell használnia, amely lehetővé teszi a nagy méretű blobok hatékony feltöltését. Ha például feltölt egy CSV-fájlt a blobtárolóba, a fájl blokkblobként lesz tárolva. Ha azonban programozott módon hoz létre blobfájlt, előfordulhat, hogy más típusú blobot hoz létre, például az AppendBlob típust, amely nem támogatott.

Áthidaló megoldásként javasoljuk a blokkblob típusának használatát .

Fontos

A blob létrehozása után a típus nem módosítható.

További információ: A blokkblobok, a hozzáfűző blobok és a lapblobok ismertetése.

Nem támogatott fióktípus: Az importálási és exportálási modulok csak a klasszikus üzembe helyezési modellel létrehozott Azure Storage-fiókokból tudnak adatokat olvasni és írni. Ez azt jelenti, hogy az új Azure Blob Storage fióktípus, amely a tárolás és a tárolás hozzáférési rétegét kínálja, még nem támogatott. Általában nem érinti az olyan Azure Storage-fiókokat, amelyek a szolgáltatás elérhetővé váltása előtt lettek létrehozva.

Ha új fiókot kell létrehoznia az Machine Learning-hoz, válassza a Klasszikus lehetőséget az Üzembe helyezési modellnél, vagy használja a Resource Managert, a Fióktípus mezőben pedig válassza az Általános célú lehetőséget a Blob Storage helyett.

Hogyan kerülendő el, hogy feleslegesen újra betöltsem ugyanezeket az adatokat?

Ha a forrásadatok megváltoznak, frissítheti az adatkészletet, és új adatokat adhat hozzá az Adatok importálása újrafuttatható futtatásával. Ha azonban nem szeretné újra beolvasni a forrásból a kísérlet minden egyes futtatásakor, válassza a Gyorsítótárazott eredmények használata lehetőséget TRUE (IGAZ) értékre. Ha ez a beállítás TRUE (igaz) értékre van állítva, a modul ellenőrzi, hogy a kísérlet korábban ugyanazokkal a forrással és bemeneti beállításokkal futott-e, és ha egy korábbi futtatás található, a rendszer a gyorsítótárban lévő adatokat használja az adatok forrásból való újratöltése helyett.

Szűrhetők az adatok a forrásból való beolvasott adatokra?

Az Adatok importálása modul nem támogatja a szűrést az adatok olvasása során.

Miután betöltötte az adatokat a Machine Learning Studio (klasszikus) eszközbe, az alábbi eszközökkel módosíthatja az adatokat:

• Egyéni R-szkript használata adatok szűréséhez vagy átalakításához.

• Az Adatok felosztása modult relatív kifejezéssel vagy reguláris kifejezéssel használva elkülönítheti a kívánt adatokat, majd adatkészletként mentheti őket.

Ha azt találja, hogy a szükségesnél több adatot töltött be, felülírhatja az adatkészletet egy új adatkészlet beolvasásával, és megadhatja, hogy a rendszer a régebbi, nagyobb adatok nevével azonos néven menti az adatkészletet.

Miért ad hozzá az importálási folyamat egy további sort az adatkészlet végéhez, amikor egy záró új sort talál?

Ha az Adatok importálása modul adatsort ütközik, amelyet egy üres sor vagy egy záró új sor karakter követ, a tábla végén egy további, hiányzó értékeket tartalmazó sor lesz hozzáadva.

A záró új sor új sorként való értelmezésének az az oka, hogy az Adatok importálása nem tudja meghatározni a különbséget egy tényleges üres sor és egy üres sor között, amelyet a felhasználó az ENTER billentyű lenyomásával hozott létre egy fájl végén.

Mivel egyes gépi tanulási algoritmusok támogatják a hiányzó adatokat, ezért ezt a sort esetként kezelik (ami hatással lehet az eredményekre), a Hiányzó adatok törlése használatával ellenőrizze a hiányzó értékeket, és szükség szerint távolítsa el őket.

Az üres sorok ellenőrzése előtt érdemes elkülöníteni az utolsó üres sort a többi sortól részleges hiányzó értékekkel, amelyek a forrásadatok tényleges hiányzó értékeit jelenthetik. Ehhez eloszthatja az adatkészletet az Adatok felosztása használatával. Válassza a Fej N sor kijelölése lehetőséget az összes sor beolvassa, de az utolsó sort nem.

Mi történik, ha különböző földrajzi régiókból betöltött adatokat importál?

Ha a blob- vagy Table Storage-fiók a gépi tanulási kísérlethez használt számítási csomóponttól eltérő régióban van, az adatelérés lassabb lehet. Ezen túl az előfizetésbe való be- és ki- és be bejövő adatbelépésekért is fizetnie kell.

Miért nem jelennek meg helyesen a forrásfájl egyes karakterei a fejlécben?

Machine Learning támogatja az UTF-8 kódolást. Ha a forrásfájl más típusú kódolást használ, előfordulhat, hogy a karakterek importálása helytelen.

Ha nem tudja megfelelően betölteni az adatokat, próbálja meg a CSV beállítást kódolással használni, és adja meg az egyéni elválasztó karakter, a kódlap és így tovább paramétereket.

Vannak tiltott karakterek vagy karakterek, amelyek módosultak az importálás során?

Ha az attribútumadatok idézőjeleket vagy escape-karaktersorozatokat tartalmaznak, a rendszer az ilyen karakterekre vonatkozó szabályokat használja a Microsoft Excel. Minden más karakter kezelése a következő specifikációk alapján, útmutatóként: RFC 4180.

Nagyon nagy méretű fájlt kell importálnom. Mi az ajánlott módszer?

A helyi adatkészletek közvetlen feltöltésének méretkorlátja Machine Learning 1,98 GB. Nagyon nagy fájloknál az adatkészlet kísérletfiókhoz való hozzáadása hosszú időt vehet igénybe.

• Becslés 10 perc vagy több GB adatra.
• A teljesítmény optimalizálása érdekében ugyanabban a régióban használjon tárfiókot, mint az Azure ML szolgáltatás.

Nagyobb, legfeljebb 10 GB méretű fájlok feltöltéséhez több módszer is létezik:

• Tömörített fájlt használjon. Zip-formátumban feltölthet adatkészleteket az Azure ML Studióba, majd a Tömörített adatkészletek kicsomagolása modullal kicsomagolhatja és mentheti az adatkészletet. A tömörített adatkészletek az R-szkript végrehajtása modullal is kicsomagolhatóak, de a teljesítmény korlátozott lehet.

• Használjon egy gyors Azure-segédprogramot, például az AzCopyt. Az adatokat egy blob Microsoft Azure tárolóba Storage az AzCopy segédprogrammal. Ezután az Adatok importálása modullal importálhat adatokat a Blob Storage-ból a Studióba (klasszikus).

  Az alábbi kód például az AzCopy blobtárolóba való írásának szintaxisát mutatja be.

  cd "C:\Program Files (x86)\Microsoft SDKs\Azure\AzCopy"
  .\AzCopy.exe /Source:C:\LocalFolder /Dest:https://mystorage.blob.core.windows.net/mycontainer /DestKey:MyStorageAccountKey /Pattern:myfile.csv
  

Egy megadott kódolással importáltam egy CSV-fájlt, de a szöveg nem jelenik meg megfelelően a vizualizációs lehetőség használata esetén. Miért?

Feltöltött adatkészletek esetén a Machine Learning csak az UTF-8-at támogatja. Az Adatok importálása modul azonban további kódolási formátumokat is támogat. Ezért miután importált egy fájlt ezen formátumok valamelyikének használatával, előfordulhat, hogy a karakterek nem megfelelően jelennek meg. A megoldás a kódolás UTF-8-ra konvertálása az alábbi módszerek egyikével:

• Mentse az importált adatokat adatkészletként. (Ha a CSV-adatok helyett mentett adatkészletet használ, az javíthatja a teljesítményt.)

• Ha az R-szkript végrehajtása modulban található adatkészletet használja, a megfelelő kódolást az ehhez hasonló szkript használatával kényszerítheti ki:

  dataset <- maml.mapInputPort(1)
  Encoding(dataset$city) <- "UTF-8"
  maml.mapOutputPort("dataset")
  

  Ezután használhatja a Visualize metódust az R-szkript végrehajtása modul kimenetében, és ellenőrizheti, hogy a karakterek megfelelően jelennek-e meg.

Milyen lehetőségeim vannak a szöveges fájlok importálása során? A CSV nem megfelelő az adataim számára.

A strukturálatlan szövegek feldolgozása és tisztítása, hogy megfelelően elférjen az oszlopokban, mindig kihívást jelent. Ha azonban szöveges adatok oszlopait kell importálni, a TSV formátum gyakran kevesebb nehézséget okoz, de a felesleges tabulátor karaktereket is előre ellenőriznie kell.

Javasoljuk, hogy tekintse át a szövegbesorolási sablont a Azure AI Gallery-ben, és tekintsen meg egy példát a Machine Learning Studióban történő szövegbesorolásra és -feldolgozásra.

Egyéni kódolás CSV-fájlokhoz

Az Adatok importálása modul korai verziói nem támogatnak bizonyos érvényes CSV-fájlokat. A fájlból exportált adatok például Excel tartalmaznak olyan karaktereket, amelyek megakadályozzák a fájl megfelelő működését.

Az elválasztó karakterek és karakterformátumok szélesebb körének támogatása érdekében az Adatok importálása mostantól támogatja az elválasztó és a kódolási formátum kiválasztását. Ha a CSV-t kódolási beállítással használja, az eredmény a CSV-fájl robusztusabb és hatékonyabb elemzési eredménye lesz.

A következő karakterkódolásokat használhatja:

Típus	Encoding
Unicode	Unicode (UTF-8) Unicode Unicode (UTF-32) Unicode (UTF-7)
CJYK	Hagyományos kínai (Big5) Egyszerűsített kínai (GB2312) Egyszerűsített kínai (Mac) Egyszerűsített kínai (GB2312-80) Egyszerűsített kínai (ISO-2022) Egyszerűsített kínai (GB18030) Japán (JIS) Koreai (ISO) Koreai (Mac)
Egyéb	nyugat-európai (Windows) Nyugat-Európai (ISO) Héber (ISO-Vizualizáció) US ASCII

Tipp

A CSV importálásának befejezése után ajánlott az importált fájlokat adatkészletként menteni, hogy az importált adatok a kísérletben utF-8 kódolást használjanak.

Adattípus-következtetés CSV- és TSV-formátumokban

Amikor az Adatok importálása modul adatokat tölt be egy CSV- vagy TSV-fájlból a Azure Blob Storage-ban, egy típuseltipáló kategorikus vagy numerikus adatokat keres a forrásfájlban, és az új adatkészlet metaadataiban felderített típust jelöli.

A típus-találgatás eredményeit azonban felülírhatja, ha az adatok betöltése után szerkeszti az oszlopattribútumokat a Metaadatok szerkesztése modulban.

Modulparaméterek

Általános beállítások

Name	Tartomány	Típus	Alapértelmezett	Description
Adatforrás	Lista	Adatforrás vagy fogadó	Azure Blob Storage	Az adatforrás lehet HTTP, FTP, névtelen HTTPS vagy FTPS, azure blobtárolóban lévő fájl, Azure-tábla, Azure SQL Database, helyszíni SQL Server-adatbázis, Hive-tábla vagy OData-végpont.
Hitelesítéstípus	PublicOrSas/Account	Sztring	Fiók	Adja meg, hogy az adatok sas URL-címen keresztül elérhető nyilvános tárolóban vagy olyan privát tárfiókban vannak-e, amelyhez hitelesítés szükséges a hozzáféréshez.
Gyorsítótárazott eredmények használata	IGAZ/HAMIS	Logikai	HAMIS	Válassza a lehetőséget, hogy elkerülje a futtatás közötti adatbetöltést

Nyilvános vagy SAS – Nyilvános tárolási lehetőségek

Name	Tartomány	Típus	Alapértelmezett	Description
URI	bármelyik	Sztring	Nincs	HDFS REST-végpont
Fájlformátum	ARFF, CSV vagy TSV	Sztring	CSV	Válassza ki az egyik támogatott formátumot
Az URI fejlécsorral rendelkezik	Logikai	IGAZ/HAMIS	IGAZ	Igaz, ha a fájl fejlécsort tartalmaz; Ha Hamis, a rendszer az első adatsort használja oszlopfejlécként

Fiók – Privát tárolási lehetőségek

Name	Tartomány	Típus	Alapértelmezett	Description
Fióknév	bármelyik	Sztring	Nincs	Írja be a tárfiók nevét
Fiókkulcs	bármelyik	SecureString	Nincs	A fiókkulcs beillesztése
Tároló, könyvtár vagy blob elérési útja	bármelyik	Sztring	N/A	Írja be a tároló vagy a könyvtár nevét
Blobfájl formátuma	ARFF, CSV vagy TSV	Sztring	CSV	Válassza ki az egyik támogatott formátumot
A fájl fejlécsorral rendelkezik	bármelyik	Sztring	Igaz	Azure Storage-tárfiók neve

Kimenetek

Név	Típus	Description
Eredményadatkészlet	Adattábla	Importált adatokat is tartalmazott adatkészlet

Kivételek

Kivétel	Description
0027-es hiba	Kivétel történik, ha két objektumnak azonos méretűnek kell lennie, de nem azok.
0003-as hiba	Kivétel történik, ha egy vagy több bemenet null vagy üres.
0029-es hiba	Kivétel történik, ha érvénytelen URI-t ad át.
0030-as hiba	a kivétel akkor jelentkezik, ha nem lehet letölteni egy fájlt.
0002-es hiba	Kivétel történik, ha egy vagy több paramétert nem lehetett a megadott típusról a cél metódus által megkövetelt típusra átalakítani.
0009-es hiba	Kivétel történik, ha az Azure Storage-fiók neve vagy a tároló neve helytelenül van megadva.
0048-as hiba	Kivétel történik, ha nem lehet megnyitni egy fájlt.
0046-os hiba	Kivétel történik, ha nem lehet könyvtárat létrehozni a megadott elérési úton.
0049-es hiba	Kivétel történik, ha nem lehet fájlokat elemezni.

A Studio (klasszikus) moduljaival kapcsolatos hibák listájáért tekintse meg a Machine Learning hibakódokat.

Az API-kivételek listájáért tekintse meg a Machine Learning REST API hibakódokat.

Lásd még

Adatok importálása
Adatok exportálása
Importálás webes URL-ről HTTP-kapcsolaton keresztül
Importálás Hive-lekérdezésből
Importálás Azure SQL Database-ből
Importálás Azure-táblából
Importálás adatcsatorna-szolgáltatókból
Importálás helyszíni adatbázisból SQL Server adatbázisból