Condividi tramite

Dataset Classe

  • Riferimento

Rappresenta una risorsa per esplorare, trasformare e gestire i dati in Azure Machine Learning.

Un set di dati è un riferimento ai dati in un Datastore url Web pubblico o dietro.

Per i metodi deprecati in questa classe, controllare AbstractDataset la classe per le API migliorate.

Sono supportati i tipi di set di dati seguenti:

  • TabularDataset rappresenta i dati in formato di tabella creati analizzando il file o l'elenco di file fornito.

  • FileDataset fa riferimento a uno o più file in archivi dati o di URL pubblici.

Per iniziare a usare i set di dati, vedere l'articolo Aggiungere set di dati di registrazione & oppure vedere i notebook https://aka.ms/tabulardataset-samplenotebook e https://aka.ms/filedataset-samplenotebook.

Inizializzare l'oggetto Dataset.

Per ottenere un set di dati già registrato con l'area di lavoro, usare il metodo get.

Ereditarietà
builtins.object
Dataset

Costruttore

Dataset(definition, workspace=None, name=None, id=None)

Parametri

Nome Descrizione
definition
Necessario
<xref:azureml.data.DatasetDefinition>

Definizione del set di dati.
workspace
Necessario
Workspace

Area di lavoro in cui è presente il set di dati.
name
Necessario
str

Nome del set di dati.
id
Necessario
str

Identificatore univoco del set di dati.

Commenti

La classe Dataset espone due attributi di classe pratici (File e Tabular) che è possibile usare per la creazione di un set di dati senza usare i metodi factory corrispondenti. Ad esempio, per creare un set di dati usando questi attributi:

  • Dataset.Tabular.from_delimited_files()

  • Dataset.File.from_files()

È anche possibile creare un nuovo TabularDataset o FileDataset chiamando direttamente i metodi factory corrispondenti della classe definita in TabularDatasetFactory e FileDatasetFactory.

L'esempio seguente illustra come creare un TabularDataset che punta a un singolo percorso in un archivio dati.


   from azureml.core import Dataset
   dataset = Dataset.Tabular.from_delimited_files(path = [(datastore, 'train-dataset/tabular/iris.csv')])

   # preview the first 3 rows of the dataset
   dataset.take(3).to_pandas_dataframe()

L'esempio completo è disponibile da https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/work-with-data/datasets-tutorial/train-with-datasets/train-with-datasets.ipynb

Variabili

Nome Descrizione
azureml.core.Dataset.File

Attributo di classe che fornisce l'accesso ai metodi FileDatasetFactory per la creazione di nuovi oggetti FileDataset. Utilizzo: Dataset.File.from_files().
azureml.core.Dataset.Tabular

Attributo di classe che fornisce l'accesso ai metodi TabularDatasetFactory per la creazione di nuovi oggetti TabularDataset. Utilizzo: Dataset.Tabular.from_delimited_files().

Metodi

archive

Archiviare un set di dati attivo o deprecato.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
auto_read_files

Analizza i file nel percorso specificato e restituisce un nuovo set di dati.

Nota

Questo metodo è deprecato e non sarà più supportato.

È consigliabile usare i metodi Dataset.Tabular.from_* per leggere i file. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
compare_profiles

Confrontare il profilo del set di dati corrente con un altro profilo del set di dati.

Ciò mostra le differenze nelle statistiche di riepilogo tra due set di dati. Il parametro 'rhs_dataset' è l'acronimo di "right-hand side" ed è semplicemente il secondo set di dati. Il primo set di dati (l'oggetto set di dati corrente) viene considerato il "lato sinistro".

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
create_snapshot

Creare uno snapshot del set di dati registrato.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
delete_snapshot

Eliminare lo snapshot del set di dati in base al nome.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
deprecate

Deprecare un set di dati attivo in un'area di lavoro da un altro set di dati.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
diff

Diff il set di dati corrente con rhs_dataset.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
from_binary_files

Creare un set di dati in memoria non registrato da file binari.

Nota

Questo metodo è deprecato e non sarà più supportato.

È consigliabile usare invece Dataset.File.from_files. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
from_delimited_files

Creare un set di dati non registrato in memoria da file delimitati.

Nota

Questo metodo è deprecato e non sarà più supportato.

È consigliabile usare Dataset.Tabular.from_delimited_files. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.


   # Create a dataset from delimited files with header option as ALL_FILES_HAVE_SAME_HEADERS
   dataset = Dataset.Tabular.from_delimited_files(path=(datastore, 'data/crime-spring.csv'),
       header='ALL_FILES_HAVE_SAME_HEADERS')

   df = dataset.to_pandas_dataframe()
from_excel_files

Creare un set di dati non registrato in memoria dai file di Excel.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
from_json_files

Creare un set di dati non registrato in memoria dai file JSON.

Nota

Questo metodo è deprecato e non sarà più supportato.

È consigliabile usare Dataset.Tabular.from_json_lines_files invece per leggere dal file di righe JSON. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
from_pandas_dataframe

Creare un set di dati non registrato, in memoria da un dataframe pandas.

Nota

Questo metodo è deprecato e non sarà più supportato.

È consigliabile usare Dataset.Tabular.register_pandas_dataframe. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
from_parquet_files

Creare un set di dati non registrato in memoria da file parquet.

Nota

Questo metodo è deprecato e non sarà più supportato.

È consigliabile usare Dataset.Tabular.from_parquet_files. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
from_sql_query

Creare un set di dati non registrato in memoria da una query SQL.

Nota

Questo metodo è deprecato e non sarà più supportato.

È consigliabile usare Dataset.Tabular.from_sql_query. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
generate_profile

Generare un nuovo profilo per il set di dati.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
get

Ottenere un set di dati già esistente nell'area di lavoro specificando il nome o l'ID.

Nota

Questo metodo è deprecato e non sarà più supportato.

Consiglia di usare get_by_name e get_by_id invece. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
get_all

Ottenere tutti i set di dati registrati nell'area di lavoro.
get_all_snapshots

Ottenere tutti gli snapshot del set di dati.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
get_by_id

Ottenere un set di dati salvato nell'area di lavoro.
get_by_name

Ottenere un set di dati registrato dall'area di lavoro in base al nome della registrazione.
get_definition

Ottenere una definizione specifica del set di dati.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
get_definitions

Ottenere tutte le definizioni del set di dati.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
get_profile

Ottenere statistiche di riepilogo sul set di dati calcolato in precedenza.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
get_snapshot

Ottenere lo snapshot del set di dati in base al nome.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
head

Eseguire il pull del numero specificato di record specificati da questo set di dati e li restituisce come dataframe.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
list

Elencare tutti i set di dati nell'area di lavoro, inclusi quelli con is_visible proprietà uguale a False.

Nota

Questo metodo è deprecato e non sarà più supportato.

Consiglia di usare get_all invece. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
reactivate

Riattivare un set di dati archiviato o deprecato.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
register

Registrare il set di dati nell'area di lavoro, rendendolo disponibile per altri utenti dell'area di lavoro.

Nota

Questo metodo è deprecato e non sarà più supportato.

Consiglia di usare register invece. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
sample

Generare un nuovo esempio dal set di dati di origine usando la strategia di campionamento e i parametri forniti.

Nota

Questo metodo è deprecato e non sarà più supportato.

Creare un oggetto TabularDataset chiamando i metodi statici in Dataset.Tabulare e usare il take_sample metodo. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
to_pandas_dataframe

Creare un dataframe Pandas eseguendo la pipeline di trasformazione definita da questa definizione del set di dati.

Nota

Questo metodo è deprecato e non sarà più supportato.

Creare un oggetto TabularDataset chiamando i metodi statici in Dataset.Tabulare e usare il to_pandas_dataframe metodo. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
to_spark_dataframe

Creare un dataframe Spark che può eseguire la pipeline di trasformazione definita da questa definizione del set di dati.

Nota

Questo metodo è deprecato e non sarà più supportato.

Creare un oggetto TabularDataset chiamando i metodi statici in Dataset.Tabulare e usare il to_spark_dataframe metodo. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
update

Aggiornare gli attributi modificabili del set di dati nell'area di lavoro e restituire il set di dati aggiornato dall'area di lavoro.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.
update_definition

Aggiornare la definizione del set di dati.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

archive

Archiviare un set di dati attivo o deprecato.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

archive()

Restituisce

Tipo Descrizione
None

Nessuno.

Commenti

Dopo l'archiviazione, qualsiasi tentativo di utilizzo del set di dati genererà un errore. Se archiviato per errore, riattivarlo lo attiverà.

auto_read_files

Analizza i file nel percorso specificato e restituisce un nuovo set di dati.

Nota

Questo metodo è deprecato e non sarà più supportato.

È consigliabile usare i metodi Dataset.Tabular.from_* per leggere i file. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

static auto_read_files(path, include_path=False, partition_format=None)

Parametri

Nome Descrizione
path
Necessario
DataReference oppure str

Un percorso dati in un archivio dati registrato, un percorso locale o un URL HTTP (CSV/TSV).
include_path
Necessario
bool

Indica se includere una colonna contenente il percorso del file da cui sono stati letti i dati. Utile quando si leggono più file e si vuole sapere da quale file ha avuto origine un determinato record. Utile anche se sono presenti informazioni nel percorso del file o nel nome desiderato in una colonna.
partition_format
Necessario
str

Specificare il formato di partizione nel percorso e creare colonne stringa dal formato '{x}' e dalla colonna datetime dal formato '{x:aaaa/MM/dd/HH/mm/ss}', dove 'aaaa', 'MM', 'dd', 'HH', 'mm' e 'ss' vengono usati per aggiungere extrat year, month, day, hour, minute e second per il tipo datetime. Il formato deve iniziare dalla posizione della prima chiave di partizione fino alla fine del percorso del file. Ad esempio, dato un percorso di file '.. /Accounts/2019/01/01/data.csv' in cui i dati vengono partizionati in base al nome e all'ora del reparto, è possibile definire '/{Department}/{PartitionDate:yyyy/MM/dd}/data.csv' per creare colonne 'Department' di tipo stringa e 'PartitionDate' di tipo datetime.

Restituisce

Tipo Descrizione
Dataset

Oggetto Dataset.

Commenti

Utilizzare questo metodo quando è necessario che vengano rilevati automaticamente formati di file e delimitatori.

Dopo aver creato un set di dati, è consigliabile usare get_profile per elencare i tipi di colonna rilevati e le statistiche di riepilogo per ogni colonna.

Il set di dati restituito non è registrato nell'area di lavoro.

compare_profiles

Confrontare il profilo del set di dati corrente con un altro profilo del set di dati.

Ciò mostra le differenze nelle statistiche di riepilogo tra due set di dati. Il parametro 'rhs_dataset' è l'acronimo di "right-hand side" ed è semplicemente il secondo set di dati. Il primo set di dati (l'oggetto set di dati corrente) viene considerato il "lato sinistro".

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

compare_profiles(rhs_dataset, profile_arguments={}, include_columns=None, exclude_columns=None, histogram_compare_method=HistogramCompareMethod.WASSERSTEIN)

Parametri

Nome Descrizione
rhs_dataset
Necessario
Dataset

Un secondo set di dati, detto anche set di dati sul lato destro per il confronto.
profile_arguments
Necessario
dict

Argomenti per ritentare un profilo specifico.
include_columns
Necessario
list[str]

Elenco di nomi di colonna da includere nel confronto.
exclude_columns
Necessario
list[str]

Elenco di nomi di colonna da escludere nel confronto.
histogram_compare_method
Necessario
HistogramCompareMethod

Enumerazione che descrive il metodo di confronto, ad esempio Devicestein o Energy

Restituisce

Tipo Descrizione
<xref:azureml.dataprep.api.engineapi.typedefinitions.DataProfileDifference>

Differenza tra i due profili del set di dati.

Commenti

Questo vale solo per i set di dati registrati. Genera un'eccezione se il profilo del set di dati corrente non esiste. Per i set di dati non registrati, usare il metodo profile.compare.

create_snapshot

Creare uno snapshot del set di dati registrato.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

create_snapshot(snapshot_name, compute_target=None, create_data_snapshot=False, target_datastore=None)

Parametri

Nome Descrizione
snapshot_name
Necessario
str

Nome dello snapshot. I nomi degli snapshot devono essere univoci all'interno di un set di dati.
compute_target
Necessario
Union[ComputeTarget, str]

Destinazione di calcolo facoltativa per eseguire la creazione del profilo snapshot. Se omesso, viene usato il calcolo locale.
create_data_snapshot
Necessario
bool

Se True, verrà creata una copia materializzata dei dati.
target_datastore
Necessario
Union[AbstractAzureStorageDatastore, str]

Archivio dati di destinazione per salvare lo snapshot. Se omesso, lo snapshot verrà creato nella risorsa di archiviazione predefinita dell'area di lavoro.

Restituisce

Tipo Descrizione
DatasetSnapshot

Oggetto snapshot del set di dati.

Commenti

Gli snapshot acquisisce statistiche di riepilogo temporizzato dei dati sottostanti e una copia facoltativa dei dati stessi. Per altre informazioni sulla creazione di snapshot, passare a https://aka.ms/azureml/howto/createsnapshots.

delete_snapshot

Eliminare lo snapshot del set di dati in base al nome.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

delete_snapshot(snapshot_name)

Parametri

Nome Descrizione
snapshot_name
Necessario
str

Nome dello snapshot.

Restituisce

Tipo Descrizione
None

Nessuno.

Commenti

Usare questa opzione per liberare spazio di archiviazione utilizzato dai dati salvati negli snapshot che non sono più necessari.

deprecate

Deprecare un set di dati attivo in un'area di lavoro da un altro set di dati.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

deprecate(deprecate_by_dataset_id)

Parametri

Nome Descrizione
deprecate_by_dataset_id
Necessario
str

ID set di dati che rappresenta la sostituzione prevista per questo set di dati.

Restituisce

Tipo Descrizione
None

Nessuno.

Commenti

I set di dati deprecati registrano avvisi quando vengono utilizzati. La deprecazione di un set di dati depreca tutte le relative definizioni.

I set di dati deprecati possono comunque essere utilizzati. Per impedire completamente l'utilizzo di un set di dati, archiviarlo.

Se deprecato per errore, riattivarlo lo attiverà.

diff

Diff il set di dati corrente con rhs_dataset.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

diff(rhs_dataset, compute_target=None, columns=None)

Parametri

Nome Descrizione
rhs_dataset
Necessario
Dataset

Un altro set di dati denominato anche Set di dati a destra per il confronto
compute_target
Necessario
Union[ComputeTarget, str]

destinazione di calcolo per eseguire il diff. Se omesso, viene usato il calcolo locale.
columns
Necessario
list[str]

Elenco di nomi di colonna da includere in diff.

Restituisce

Tipo Descrizione
DatasetActionRun

Oggetto esecuzione azione set di dati.

from_binary_files

Creare un set di dati in memoria non registrato da file binari.

Nota

Questo metodo è deprecato e non sarà più supportato.

È consigliabile usare invece Dataset.File.from_files. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

static from_binary_files(path)

Parametri

Nome Descrizione
path
Necessario
DataReference oppure str

Percorso dati in un archivio dati registrato o in un percorso locale.

Restituisce

Tipo Descrizione
Dataset

Oggetto Dataset.

Commenti

Usare questo metodo per leggere i file come flussi di dati binari. Restituisce un oggetto flusso di file per ogni file letto. Usare questo metodo quando si leggono immagini, video, audio o altri dati binari.

get_profile e create_snapshot non funzionerà come previsto per un set di dati creato da questo metodo.

Il set di dati restituito non è registrato nell'area di lavoro.

from_delimited_files

Creare un set di dati non registrato in memoria da file delimitati.

Nota

Questo metodo è deprecato e non sarà più supportato.

È consigliabile usare Dataset.Tabular.from_delimited_files. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.


   # Create a dataset from delimited files with header option as ALL_FILES_HAVE_SAME_HEADERS
   dataset = Dataset.Tabular.from_delimited_files(path=(datastore, 'data/crime-spring.csv'),
       header='ALL_FILES_HAVE_SAME_HEADERS')

   df = dataset.to_pandas_dataframe()

static from_delimited_files(path, separator=',', header=PromoteHeadersBehavior.ALL_FILES_HAVE_SAME_HEADERS, encoding=FileEncoding.UTF8, quoting=False, infer_column_types=True, skip_rows=0, skip_mode=SkipLinesBehavior.NO_ROWS, comment=None, include_path=False, archive_options=None, partition_format=None)

Parametri

Nome Descrizione
path
Necessario
DataReference oppure str

Percorso dati in un archivio dati registrato, un percorso locale o un URL HTTP.
separator
Necessario
str

Separatore utilizzato per suddividere le colonne.
header
Necessario
PromoteHeadersBehavior

Controlla la modalità di innalzamento di livello delle intestazioni di colonna durante la lettura dai file.
encoding
Necessario
FileEncoding

Codifica dei file letti.
quoting
Necessario
bool

Specificare come gestire i nuovi caratteri di riga tra virgolette. L'impostazione predefinita (False) consiste nell'interpretare i nuovi caratteri di riga come inizio di nuove righe, indipendentemente dal fatto che i nuovi caratteri siano racchiusi tra virgolette o meno. Se è impostata su True, i nuovi caratteri di riga all'interno delle virgolette non generano nuove righe e la velocità di lettura dei file rallenta.
infer_column_types
Necessario
bool

Indica se i tipi di dati della colonna vengono dedotti.
skip_rows
Necessario
int

Numero di righe da ignorare nella lettura dei file.
skip_mode
Necessario
SkipLinesBehavior

Controlla il modo in cui le righe vengono ignorate durante la lettura dai file.
comment
Necessario
str

Carattere utilizzato per indicare le righe di commento nei file letti. Le righe che iniziano con questa stringa verranno ignorate.
include_path
Necessario
bool

Indica se includere una colonna contenente il percorso del file da cui sono stati letti i dati. Ciò è utile quando si leggono più file e si vuole conoscere il file da cui ha origine un determinato record o per mantenere informazioni utili nel percorso del file.
archive_options
Necessario
<xref:azureml.dataprep.ArchiveOptions>

Opzioni per il file di archivio, tra cui il tipo di archivio e il modello glob di voce. Attualmente è supportato solo ZIP come tipo di archivio. Ad esempio, specificando


   archive_options = ArchiveOptions(archive_type = ArchiveType.ZIP, entry_glob = '*10-20.csv')

legge tutti i file con nome che terminano con "10-20.csv" in ZIP.
partition_format
Necessario
str

Specificare il formato di partizione nel percorso e creare colonne stringa dal formato '{x}' e dalla colonna datetime dal formato '{x:aaaa/MM/dd/HH/mm/ss}', dove 'aaaa', 'MM', 'dd', 'HH', 'mm' e 'ss' vengono usati per aggiungere extrat year, month, day, hour, minute e second per il tipo datetime. Il formato deve iniziare dalla posizione della prima chiave di partizione fino alla fine del percorso del file. Ad esempio, dato un percorso di file '.. /Accounts/2019/01/01/data.csv' in cui i dati vengono partizionati in base al nome e all'ora del reparto, è possibile definire '/{Department}/{PartitionDate:yyyy/MM/dd}/data.csv' per creare colonne 'Department' di tipo stringa e 'PartitionDate' di tipo datetime.

Restituisce

Tipo Descrizione
Dataset

Oggetto Dataset.

Commenti

Utilizzare questo metodo per leggere i file di testo delimitati quando si desidera controllare le opzioni utilizzate.

Dopo aver creato un set di dati, è consigliabile usare get_profile per elencare i tipi di colonna rilevati e le statistiche di riepilogo per ogni colonna.

Il set di dati restituito non è registrato nell'area di lavoro.

from_excel_files

Creare un set di dati non registrato in memoria dai file di Excel.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

static from_excel_files(path, sheet_name=None, use_column_headers=False, skip_rows=0, include_path=False, infer_column_types=True, partition_format=None)

Parametri

Nome Descrizione
path
Necessario
DataReference oppure str

Percorso dati in un archivio dati registrato o in un percorso locale.
sheet_name
Necessario
str

Nome del foglio di Excel da caricare. Per impostazione predefinita, viene letto il primo foglio da ogni file di Excel.
use_column_headers
Necessario
bool

Controlla se usare la prima riga come intestazioni di colonna.
skip_rows
Necessario
int

Numero di righe da ignorare nella lettura dei file.
include_path
Necessario
bool

Indica se includere una colonna contenente il percorso del file da cui sono stati letti i dati. Questo è utile quando si legge più file e si vuole sapere quale file ha origine un determinato record o mantenere informazioni utili nel percorso file.
infer_column_types
Necessario
bool

Se true, i tipi di dati della colonna verranno dedotti.
partition_format
Necessario
str

Specificare il formato di partizione nel percorso e creare colonne stringa dal formato '{x}' e dalla colonna datetime dal formato '{x:y/MM/dd/HH/HH/mm/ss}', dove 'y', 'MM', 'dd', 'HH', 'mm' e 'ss' vengono usati per extrat year, month, day, hour, minute e second per il tipo datetime. Il formato deve iniziare dalla posizione della prima chiave di partizione fino alla fine del percorso del file. Ad esempio, dato un percorso file '.. /Accounts/2019/01/01/data.xlsx' dove i dati vengono partizionati per nome e ora del reparto, è possibile definire '/{Department}/{PartitionDate:yy/MM/dd}/data.xlsx' per creare colonne 'Department' di tipo stringa e 'PartitionDate' di tipo datetime.

Restituisce

Tipo Descrizione
Dataset

Oggetto Set di dati.

Commenti

Usare questo metodo per leggere i file di Excel in formato .xlsx. I dati possono essere letti da un foglio in ogni file di Excel. Dopo aver creato un set di dati, è consigliabile usare get_profile per elencare i tipi di colonna rilevati e le statistiche di riepilogo per ogni colonna. Il set di dati restituito non è registrato con l'area di lavoro.

from_json_files

Creare un set di dati non registrato in memoria dai file JSON.

Nota

Questo metodo è deprecato e non sarà più supportato.

È consigliabile usare Dataset.Tabular.from_json_lines_files invece per leggere dal file di righe JSON. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

static from_json_files(path, encoding=FileEncoding.UTF8, flatten_nested_arrays=False, include_path=False, partition_format=None)

Parametri

Nome Descrizione
path
Necessario
DataReference oppure str

Percorso dei file o cartelle da caricare e analizzare. Può essere un percorso locale o un URL BLOB di Azure. Globbing è supportato. Ad esempio, è possibile usare il percorso = "./data*" per leggere tutti i file con il nome a partire da "dati".
encoding
Necessario
FileEncoding

Codifica dei file letti.
flatten_nested_arrays
Necessario
bool

Controllo della proprietà della gestione del programma di matrici annidate. Se si sceglie di appiattire le matrici JSON annidate, potrebbe comportare un numero molto maggiore di righe.
include_path
Necessario
bool

Indica se includere una colonna contenente il percorso da cui sono stati letti i dati. Questo è utile quando si legge più file e potrebbe essere necessario sapere quale file ha origine un determinato record da o mantenere informazioni utili nel percorso del file.
partition_format
Necessario
str

Specificare il formato di partizione nel percorso e creare colonne stringa dal formato '{x}' e dalla colonna datetime dal formato '{x:y/MM/dd/HH/HH/mm/ss}', dove 'y', 'MM', 'dd', 'HH', 'mm' e 'ss' vengono usati per extrat year, month, day, hour, minute e second per il tipo datetime. Il formato deve iniziare dalla posizione della prima chiave di partizione fino alla fine del percorso del file. Ad esempio, dato un percorso file '.. /Accounts/2019/01/01/data.json' e i dati vengono partizionati per nome e ora del reparto, è possibile definire '/{Department}/{PartitionDate:yyyy/MM/dd}/data.json' per creare colonne 'Department' di tipo stringa e 'PartitionDate' di tipo datetime.

Restituisce

Tipo Descrizione
Dataset

Oggetto Dataset locale.

from_pandas_dataframe

Creare un set di dati non registrato, in memoria da un dataframe pandas.

Nota

Questo metodo è deprecato e non sarà più supportato.

È consigliabile usare Dataset.Tabular.register_pandas_dataframe. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

static from_pandas_dataframe(dataframe, path=None, in_memory=False)

Parametri

Nome Descrizione
dataframe
Necessario
DataFrame

DataFrame Pandas.
path
Necessario
Union[DataReference, str]

Percorso dati nell'archivio dati registrato o nel percorso della cartella locale.
in_memory
Necessario
bool

Se leggere il dataframe dalla memoria anziché rendere persistente il disco.

Restituisce

Tipo Descrizione
Dataset

Oggetto Dataset.

Commenti

Usare questo metodo per convertire un dataframe Pandas in un oggetto Dataset. Non è possibile registrare un set di dati creato da questo metodo, poiché i dati provengono dalla memoria.

Se in_memory è False, il dataframe Pandas viene convertito in un file CSV in locale. Se pat è di tipo DataReference, il frame Pandas verrà caricato nell'archivio dati e il set di dati verrà basato su DataReference. Se ''path' è una cartella locale, il set di dati verrà creato fuori dal file locale che non può essere eliminato.

Genera un'eccezione se l'oggetto DataReference corrente non è un percorso di cartella.

from_parquet_files

Creare un set di dati non registrato in memoria da file parquet.

Nota

Questo metodo è deprecato e non sarà più supportato.

È consigliabile usare Dataset.Tabular.from_parquet_files. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

static from_parquet_files(path, include_path=False, partition_format=None)

Parametri

Nome Descrizione
path
Necessario
DataReference oppure str

Percorso dati in un archivio dati registrato o in un percorso locale.
include_path
Necessario
bool

Indica se includere una colonna contenente il percorso del file da cui sono stati letti i dati. Questo è utile quando si legge più file e si vuole sapere quale file ha origine un determinato record o mantenere informazioni utili nel percorso file.
partition_format
Necessario
str

Specificare il formato di partizione nel percorso e creare colonne stringa dal formato '{x}' e dalla colonna datetime dal formato '{x:y/MM/dd/HH/HH/mm/ss}', dove 'y', 'MM', 'dd', 'HH', 'mm' e 'ss' vengono usati per extrat year, month, day, hour, minute e second per il tipo datetime. Il formato deve iniziare dalla posizione della prima chiave di partizione fino alla fine del percorso del file. Ad esempio, dato un percorso file '.. /Accounts/2019/01/01/data.parquet" dove i dati vengono partizionati per nome e ora del reparto, è possibile definire '/{Department}/{PartitionDate:yyyy/MM/dd}/data.parquet' per creare colonne 'Department' di tipo stringa e 'PartitionDate' di tipo datetime.

Restituisce

Tipo Descrizione
Dataset

Oggetto Set di dati.

Commenti

Usare questo metodo per leggere i file Parquet.

Dopo aver creato un set di dati, è consigliabile usare get_profile per elencare i tipi di colonna rilevati e le statistiche di riepilogo per ogni colonna.

Il set di dati restituito non è registrato con l'area di lavoro.

from_sql_query

Creare un set di dati non registrato in memoria da una query SQL.

Nota

Questo metodo è deprecato e non sarà più supportato.

È consigliabile usare Dataset.Tabular.from_sql_query. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

static from_sql_query(data_source, query)

Parametri

Nome Descrizione
data_source
Necessario
AzureSqlDatabaseDatastore

Dettagli dell'archivio dati Azure SQL.
query
Necessario
str

Query da eseguire per leggere i dati.

Restituisce

Tipo Descrizione
Dataset

Oggetto Dataset locale.

generate_profile

Generare un nuovo profilo per il set di dati.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

generate_profile(compute_target=None, workspace=None, arguments=None)

Parametri

Nome Descrizione
compute_target
Necessario
Union[ComputeTarget, str]

Destinazione di calcolo facoltativa per eseguire la creazione del profilo snapshot. Se omesso, viene usato il calcolo locale.
workspace
Necessario
Workspace

Area di lavoro necessaria per set di dati temporanei(non registrati).
arguments
Necessario
dict[str, object]

Argomenti del profilo. Gli argomenti validi sono:

  • 'include_stype_counts' di tipo bool. Controllare se i valori sono simili a alcuni tipi semantici noti, ad esempio indirizzo di posta elettronica, indirizzo IP (V4/V6), numero di telefono US, codice postale US, Latitudine/Longitudine. Abilitazione di questo impatto sulle prestazioni.

  • 'number_of_histogram_bins' di tipo int. Rappresenta il numero di bin istogrammi da usare per i dati numerici. Il valore predefinito è 10.

Restituisce

Tipo Descrizione
DatasetActionRun

Oggetto Esecuzione dell'azione set di dati.

Commenti

La chiamata sincrona bloccherà finché non viene completata. Chiamare get_result per ottenere il risultato dell'azione.

get

Ottenere un set di dati già esistente nell'area di lavoro specificando il nome o l'ID.

Nota

Questo metodo è deprecato e non sarà più supportato.

Consiglia di usare get_by_name e get_by_id invece. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

static get(workspace, name=None, id=None)

Parametri

Nome Descrizione
workspace
Necessario
Workspace

Area di lavoro AzureML esistente in cui è stato creato il set di dati.
name
Necessario
str

Nome del set di dati da recuperare.
id
Necessario
str

Identificatore univoco del set di dati nell'area di lavoro.

Restituisce

Tipo Descrizione
Dataset

Set di dati con il nome o l'ID specificati.

Commenti

È possibile specificare name o id. Viene generata un'eccezione se:

  • name sia che id sono specificati, ma non corrispondono.

  • Il set di dati con l'oggetto specificato name o id non può essere trovato nell'area di lavoro.

get_all

Ottenere tutti i set di dati registrati nell'area di lavoro.

get_all()

Parametri

Nome Descrizione
workspace
Necessario
Workspace

Area di lavoro AzureML esistente in cui sono stati registrati i set di dati.

Restituisce

Tipo Descrizione
dict[str, Union[TabularDataset, FileDataset]]

Dizionario degli oggetti TabularDataset e FileDataset chiave dal nome di registrazione.

get_all_snapshots

Ottenere tutti gli snapshot del set di dati.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

get_all_snapshots()

Restituisce

Tipo Descrizione
list[DatasetSnapshot]

Elenco degli snapshot del set di dati.

get_by_id

Ottenere un set di dati salvato nell'area di lavoro.

get_by_id(id, **kwargs)

Parametri

Nome Descrizione
workspace
Necessario
Workspace

Area di lavoro AzureML esistente in cui viene salvato il set di dati.
id
Necessario
str

ID del set di dati.

Restituisce

Tipo Descrizione
Union[TabularDataset, FileDataset]

Oggetto set di dati. Se il set di dati è registrato, verrà restituito anche il nome e la versione della registrazione.

get_by_name

Ottenere un set di dati registrato dall'area di lavoro in base al nome della registrazione.

get_by_name(name, version='latest', **kwargs)

Parametri

Nome Descrizione
workspace
Necessario
Workspace

Area di lavoro AzureML esistente in cui è stato registrato il set di dati.
name
Necessario
str

Nome di registrazione.
version
Necessario
int

Versione di registrazione. Il valore predefinito è 'latest'.

Restituisce

Tipo Descrizione
Union[TabularDataset, FileDataset]

Oggetto set di dati registrato.

get_definition

Ottenere una definizione specifica del set di dati.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

get_definition(version_id=None)

Parametri

Nome Descrizione
version_id
Necessario
str

ID versione della definizione del set di dati

Restituisce

Tipo Descrizione
DatasetDefinition

Definizione del set di dati.

Commenti

Se version_id viene specificato, Azure Machine Learning tenta di ottenere la definizione corrispondente a tale versione. Se tale versione non esiste, viene generata un'eccezione. Se version_id viene omesso, viene recuperata la versione più recente.

get_definitions

Ottenere tutte le definizioni del set di dati.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

get_definitions()

Restituisce

Tipo Descrizione
dict[str, DatasetDefinition]

Dizionario delle definizioni del set di dati.

Commenti

Un set di dati registrato in un'area di lavoro azureML può avere più definizioni, ognuna creata chiamando update_definition. Ogni definizione ha un identificatore univoco. La definizione corrente è quella più recente creata.

Per set di dati non registrati, esiste solo una definizione.

get_profile

Ottenere statistiche di riepilogo sul set di dati calcolato in precedenza.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

get_profile(arguments=None, generate_if_not_exist=True, workspace=None, compute_target=None)

Parametri

Nome Descrizione
arguments
Necessario
dict[str, object]

Argomenti del profilo.
generate_if_not_exist
Necessario
bool

Indica se generare un profilo se non esiste.
workspace
Necessario
Workspace

Area di lavoro necessaria per set di dati temporanei(non registrati).
compute_target
Necessario
Union[ComputeTarget, str]

Destinazione di calcolo per eseguire l'azione del profilo.

Restituisce

Tipo Descrizione
<xref:azureml.dataprep.DataProfile>

DataProfile del set di dati.

Commenti

Per un set di dati registrato con un'area di lavoro di Azure Machine Learning, questo metodo recupera un profilo esistente creato in precedenza chiamando get_profile se è ancora valido. I profili vengono invalidati quando i dati modificati vengono rilevati nel set di dati o gli argomenti da get_profile usare sono diversi da quelli usati quando il profilo è stato generato. Se il profilo non è presente o invalidato, generate_if_not_exist determinerà se viene generato un nuovo profilo.

Per un set di dati non registrato con un'area di lavoro di Azure Machine Learning, questo metodo viene sempre eseguito generate_profile e restituisce il risultato.

get_snapshot

Ottenere lo snapshot del set di dati in base al nome.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

get_snapshot(snapshot_name)

Parametri

Nome Descrizione
snapshot_name
Necessario
str

Nome dello snapshot.

Restituisce

Tipo Descrizione
DatasetSnapshot

Oggetto snapshot del set di dati.

head

Eseguire il pull del numero specificato di record specificati da questo set di dati e li restituisce come dataframe.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

head(count)

Parametri

Nome Descrizione
count
Necessario
int

Numero di record da estrarre.

Restituisce

Tipo Descrizione
DataFrame

DataFrame Pandas.

list

Elencare tutti i set di dati nell'area di lavoro, inclusi quelli con is_visible proprietà uguale a False.

Nota

Questo metodo è deprecato e non sarà più supportato.

Consiglia di usare get_all invece. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

static list(workspace)

Parametri

Nome Descrizione
workspace
Necessario
Workspace

Area di lavoro per cui si vuole recuperare l'elenco dei set di dati.

Restituisce

Tipo Descrizione
list[Dataset]

Elenco di oggetti Set di dati.

reactivate

Riattivare un set di dati archiviato o deprecato.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

reactivate()

Restituisce

Tipo Descrizione
None

Nessuno.

register

Registrare il set di dati nell'area di lavoro, rendendolo disponibile per altri utenti dell'area di lavoro.

Nota

Questo metodo è deprecato e non sarà più supportato.

Consiglia di usare register invece. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

register(workspace, name, description=None, tags=None, visible=True, exist_ok=False, update_if_exist=False)

Parametri

Nome Descrizione
workspace
Necessario
Workspace

Area di lavoro AzureML in cui è necessario registrare il set di dati.
name
Necessario
str

Nome del set di dati nell'area di lavoro.
description
Necessario
str

Descrizione del set di dati.
tags
Necessario
dict[str, str]

Tag da associare al set di dati.
visible
Necessario
bool

Indica se il set di dati è visibile nell'interfaccia utente. Se False, il set di dati è nascosto nell'interfaccia utente e disponibile tramite SDK.
exist_ok
Necessario
bool

Se True, il metodo restituisce il set di dati se esiste già nell'area di lavoro specificata, in caso contrario, l'errore.
update_if_exist
Necessario
bool

Se exist_ok è True ed update_if_exist è True, questo metodo aggiornerà la definizione e restituirà il set di dati aggiornato.

Restituisce

Tipo Descrizione
Dataset

Oggetto Set di dati registrato nell'area di lavoro.

sample

Generare un nuovo esempio dal set di dati di origine usando la strategia di campionamento e i parametri forniti.

Nota

Questo metodo è deprecato e non sarà più supportato.

Creare un oggetto TabularDataset chiamando i metodi statici in Dataset.Tabulare e usare il take_sample metodo. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

sample(sample_strategy, arguments)

Parametri

Nome Descrizione
sample_strategy
Necessario
str

Strategia di esempio da usare. I valori accettati sono "top_n", "simple_random" o "stratificati".
arguments
Necessario
dict[str, object]

Dizionario con chiavi dall'argomento "Argomento facoltativo" nell'elenco indicato in precedenza e i valori della colonna "Type". È possibile usare solo argomenti del metodo di campionamento corrispondente. Ad esempio, per un tipo di esempio "simple_random", è possibile specificare solo un dizionario con chiavi "probabilità" e "seed".

Restituisce

Tipo Descrizione
Dataset

Oggetto Set di dati come esempio del set di dati originale.

Commenti

Gli esempi vengono generati eseguendo la pipeline di trasformazione definita da questo set di dati e quindi applicando la strategia di campionamento e i parametri ai dati di output. Ogni metodo di campionamento supporta gli argomenti facoltativi seguenti:

  • top_n

    • Argomenti facoltativi

      • n, digitare integer. Selezionare le prime N righe come esempio.

  • simple_random

    • Argomenti facoltativi

      • probabilità, tipo float. Campionamento casuale semplice in cui ogni riga ha la probabilità di essere selezionata. La probabilità deve essere un numero compreso tra 0 e 1.

      • seed, type float. Utilizzato dal generatore di numeri casuali. Usare per la ripetibilità.

  • Stratificato

    • Argomenti facoltativi

      • colonne, elenco di tipi[str]. Elenco di colonne di strata nei dati.

      • seed, type float. Utilizzato dal generatore di numeri casuali. Usare per la ripetibilità.

      • frazioni, tipo dict[tuple, float]. Tuple: i valori di colonna che definiscono uno strato devono trovarsi nello stesso ordine dei nomi di colonna. Float: peso collegato a uno strato durante il campionamento.

I frammenti di codice seguenti sono modelli di progettazione di esempio per diversi metodi di esempio.


   # sample_strategy "top_n"
   top_n_sample_dataset = dataset.sample('top_n', {'n': 5})

   # sample_strategy "simple_random"
   simple_random_sample_dataset = dataset.sample('simple_random', {'probability': 0.3, 'seed': 10.2})

   # sample_strategy "stratified"
   fractions = {}
   fractions[('THEFT',)] = 0.5
   fractions[('DECEPTIVE PRACTICE',)] = 0.2

   # take 50% of records with "Primary Type" as THEFT and 20% of records with "Primary Type" as
   # DECEPTIVE PRACTICE into sample Dataset
   sample_dataset = dataset.sample('stratified', {'columns': ['Primary Type'], 'fractions': fractions})

to_pandas_dataframe

Creare un dataframe Pandas eseguendo la pipeline di trasformazione definita da questa definizione del set di dati.

Nota

Questo metodo è deprecato e non sarà più supportato.

Creare un oggetto TabularDataset chiamando i metodi statici in Dataset.Tabulare e usare il to_pandas_dataframe metodo. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

to_pandas_dataframe()

Restituisce

Tipo Descrizione
DataFrame

DataFrame Pandas.

Commenti

Restituisce un dataframe Pandas completamente materializzato in memoria.

to_spark_dataframe

Creare un dataframe Spark che può eseguire la pipeline di trasformazione definita da questa definizione del set di dati.

Nota

Questo metodo è deprecato e non sarà più supportato.

Creare un oggetto TabularDataset chiamando i metodi statici in Dataset.Tabulare e usare il to_spark_dataframe metodo. Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

to_spark_dataframe()

Restituisce

Tipo Descrizione
DataFrame

Un dataframe Spark.

Commenti

Il dataframe Spark restituito è solo un piano di esecuzione e non contiene effettivamente dati, poiché i dataframe Spark vengono valutati in modo più pigre.

update

Aggiornare gli attributi modificabili del set di dati nell'area di lavoro e restituire il set di dati aggiornato dall'area di lavoro.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

update(name=None, description=None, tags=None, visible=None)

Parametri

Nome Descrizione
name
Necessario
str

Nome del set di dati nell'area di lavoro.
description
Necessario
str

Descrizione dei dati.
tags
Necessario
dict[str, str]

Tag da associare al set di dati.
visible
Necessario
bool

Indica se il set di dati è visibile nell'interfaccia utente.

Restituisce

Tipo Descrizione
Dataset

Oggetto Set di dati aggiornato dall'area di lavoro.

update_definition

Aggiornare la definizione del set di dati.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

update_definition(definition, definition_update_message)

Parametri

Nome Descrizione
definition
Necessario
DatasetDefinition

Nuova definizione di questo set di dati.
definition_update_message
Necessario
str

Messaggio di aggiornamento della definizione.

Restituisce

Tipo Descrizione
Dataset

Oggetto Set di dati aggiornato dall'area di lavoro.

Commenti

Per utilizzare il set di dati aggiornato, usare l'oggetto restituito da questo metodo.

Attributi

definition

Restituisce la definizione del set di dati corrente.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

Restituisce

Tipo Descrizione
DatasetDefinition

Definizione del set di dati.

Commenti

Una definizione del set di dati è una serie di passaggi che specificano come leggere e trasformare i dati.

Un set di dati registrato in un'area di lavoro di AzureML può avere più definizioni, ognuna creata chiamando update_definition. Ogni definizione ha un identificatore univoco. La presenza di più definizioni consente di apportare modifiche ai set di dati esistenti senza interrompere modelli e pipeline che dipendono dalla definizione precedente.

Per i set di dati non registrati, esiste una sola definizione.

definition_version

Restituisce la versione della definizione corrente del set di dati.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

Restituisce

Tipo Descrizione
str

Versione della definizione del set di dati.

Commenti

Una definizione del set di dati è una serie di passaggi che specificano come leggere e trasformare i dati.

Un set di dati registrato in un'area di lavoro di AzureML può avere più definizioni, ognuna creata chiamando update_definition. Ogni definizione ha un identificatore univoco. La definizione corrente è l'ultima creata, il cui ID viene restituito da questo.

Per i set di dati non registrati, esiste una sola definizione.

description

Restituisce la descrizione del set di dati.

Restituisce

Tipo Descrizione
str

Descrizione del set di dati.

Commenti

Specificare una descrizione dei dati nel set di dati consente agli utenti dell'area di lavoro di comprendere cosa rappresentano i dati e come usarli.

id

Se il set di dati è stato registrato in un'area di lavoro, restituire l'ID del set di dati. In caso contrario, restituisce Nessuno.

Restituisce

Tipo Descrizione
str

ID set di dati.

is_visible

Controllare la visibilità di un set di dati registrato nell'interfaccia utente dell'area di lavoro di Azure ML.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

Restituisce

Tipo Descrizione
bool

Visibilità del set di dati.

Commenti

Valori restituiti:

  • True: il set di dati è visibile nell'interfaccia utente dell'area di lavoro. Valore predefinito.

  • False: il set di dati è nascosto nell'interfaccia utente dell'area di lavoro.

Non ha alcun effetto sui set di dati non registrati.

name

Restituisce il nome del set di dati.

Restituisce

Tipo Descrizione
str

Nome del set di dati.

state

Restituisce lo stato del set di dati.

Nota

Questo metodo è deprecato e non sarà più supportato.

Per altre informazioni, vedere https://aka.ms/dataset-deprecation.

Restituisce

Tipo Descrizione
str

Stato del set di dati.

Commenti

Il significato e l'effetto degli stati sono i seguenti:

  • Attivo. Le definizioni attive sono esattamente simili, tutte le azioni possono essere eseguite sulle definizioni attive.

  • Deprecato. La definizione deprecata può essere usata, ma genererà un avviso registrato nei log ogni volta che si accede ai dati sottostanti.

  • Archiviati. Non è possibile utilizzare una definizione archiviata per eseguire alcuna azione. Per eseguire azioni su una definizione archiviata, è necessario riattivarla.

tags

Restituisce i tag associati al set di dati.

Restituisce

Tipo Descrizione
dict[str, str]

Tag del set di dati.

workspace

Se il set di dati è stato registrato in un'area di lavoro, restituirne il valore. In caso contrario, restituisce Nessuno.

Restituisce

Tipo Descrizione
Workspace

Area di lavoro.