Jalankan kode Python di perancang Azure Machine Learning

2025-06-13

Penting

Artikel ini memberikan informasi tentang penggunaan Azure Machine Learning SDK v1. SDK v1 tidak digunakan lagi per 31 Maret 2025. Dukungan untuk itu akan berakhir pada 30 Juni 2026. Anda dapat menginstal dan menggunakan SDK v1 hingga tanggal tersebut.

Kami merekomendasikan agar Anda beralih ke SDK v2 sebelum 30 Juni 2026. Untuk informasi selengkapnya tentang SDK v2, lihat Apa itu Azure Machine Learning CLI dan Python SDK v2? dan referensi SDK v2.

Artikel ini menjelaskan cara menggunakan komponen Jalankan Skrip Python untuk menambahkan logika kustom ke perancang Azure Machine Learning. Dalam panduan ini, Anda menggunakan pustaka Pandas untuk melakukan rekayasa fitur sederhana.

Anda dapat menggunakan editor kode bawaan untuk menambahkan logika Python sederhana dengan cepat. Anda harus menggunakan metode file zip untuk menambahkan kode yang lebih kompleks, atau untuk mengunggah lebih banyak pustaka Python.

Lingkungan eksekusi default menggunakan distribusi Anacondas Python. Lihat referensi komponen Jalankan Skrip Python untuk daftar lengkap paket yang telah diinstal sebelumnya.

Diagram yang memperlihatkan peta input untuk Jalankan Skrip Python.

Penting

Jika Anda tidak melihat elemen grafis yang disebutkan dalam dokumen ini, seperti tombol di studio atau perancang, Anda mungkin tidak memiliki tingkat izin yang tepat ke ruang kerja. Hubungi administrator langganan Azure Anda untuk memverifikasi bahwa Anda telah diberikan tingkat akses yang benar. Untuk informasi selengkapnya, lihat Mengelola pengguna dan peran.

Menjalankan kode Python di perancang

Menambahkan komponen Jalankan Skrip Python

Masuk ke studio Azure Machine Learning, dan pilih ruang kerja yang ingin Anda gunakan.
Pilih Perancang dari menu bilah samping. Di bawah Bawaan klasik, pilih Buat alur baru menggunakan komponen bawaan klasik.
Di sebelah kiri kanvas alur, pilih Komponen.
Di bagian Bahasa Python , temukan komponen Jalankan Skrip Python . Seret dan jatuhkan komponen ke kanvas alur.

Menyambungkan himpunan data input

Temukan himpunan data sampel Data harga mobil (Mentah) di bagian Data sampel . Seret dan letakkan himpunan data ke kanvas alur.
Koneksi port output dari himpunan data ke port input kiri atas komponen Jalankan Skrip Python. Perancang menampilkan input sebagai parameter ke skrip titik masuk.

Port input yang tepat disediakan untuk pustaka Python yang di-zip.
Perhatikan dengan cermat port input tertentu yang Anda gunakan. Perancang menetapkan port input kiri ke variabel dataset1, dan port input tengah ke dataset2.

Komponen input bersifat opsional, karena Anda dapat membuat atau mengimpor data langsung di komponen Jalankan Skrip Python.

Menulis kode Python

Perancang menyediakan skrip titik masuk awal untuk mengedit dan memasukkan kode Python Anda sendiri.

Dalam contoh ini, Anda menggunakan Panda untuk menggabungkan dua kolom himpunan data mobil, Harga dan Tenaga Kuda, untuk membuat kolom baru yang disebut Dolar per tenaga kuda. Kolom ini menunjukkan berapa banyak Anda membayar untuk setiap unit tenaga kuda, yang bisa menjadi titik informasi yang berguna untuk memutuskan apakah mobil tertentu adalah kesepakatan yang baik untuk harganya.

Klik ganda komponen Jalankan Skrip Python.
Di panel yang muncul di sebelah kanan kanvas, pilih kotak teks skrip Python.
Salin dan tempel kode berikut ke dalam kotak teks:
```
import pandas as pd

def azureml_main(dataframe1 = None, dataframe2 = None):
    dataframe1['Dollar/HP'] = dataframe1.price / dataframe1.horsepower
    return dataframe1
```
Alur Anda akan terlihat seperti gambar ini:

Skrip titik masuk harus berisi fungsi azureml_main. Fungsi ini memiliki dua parameter fungsi yang memetakan ke dua port input untuk komponen Jalankan Skrip Python.

Nilai yang dikembalikan harus berupa dataframe Pandas. Anda dapat mengembalikan paling banyak dua kerangka data sebagai output komponen.
Kirim alur.

Sekarang Anda memiliki himpunan data, yang memiliki fitur Dolar/HP baru. Fitur baru ini dapat membantu melatih pemberi rekomendasi mobil. Contoh ini menunjukkan ekstraksi fitur dan pengurangan dimensi.

Langkah selanjutnya

Mengimpor data ke perancang Azure Machine Learning