Tworzenie magazynów danych

DOTYCZY: Rozszerzenie interfejsu wiersza polecenia platformy Azure w wersji 2 (current)Zestaw PYTHON SDK azure-ai-ml v2 (bieżąca)

Z tego artykułu dowiesz się, jak nawiązać połączenie z usługami magazynu danych platformy Azure przy użyciu usługi Azure Machine Edukacja magazynów danych.

Wymagania wstępne

Uwaga

Magazyny danych usługi Azure Machine Edukacja nie tworzą podstawowych zasobów konta magazynu. Zamiast tego łączą istniejące konto magazynu dla usługi Azure Machine Edukacja użycia. Nie wymaga to magazynów danych usługi Azure Machine Edukacja. Jeśli masz dostęp do danych bazowych, możesz bezpośrednio użyć identyfikatorów URI magazynu.

Tworzenie magazynu danych obiektów blob platformy Azure

from azure.ai.ml.entities import AzureBlobDatastore
from azure.ai.ml import MLClient

ml_client = MLClient.from_config()

store = AzureBlobDatastore(
    name="",
    description="",
    account_name="",
    container_name=""
)

ml_client.create_or_update(store)

Tworzenie magazynu danych usługi Azure Data Lake Gen2

from azure.ai.ml.entities import AzureDataLakeGen2Datastore
from azure.ai.ml import MLClient

ml_client = MLClient.from_config()

store = AzureDataLakeGen2Datastore(
    name="",
    description="",
    account_name="",
    filesystem=""
)

ml_client.create_or_update(store)

Tworzenie magazynu danych usługi Azure Files

from azure.ai.ml.entities import AzureFileDatastore
from azure.ai.ml.entities import AccountKeyConfiguration
from azure.ai.ml import MLClient

ml_client = MLClient.from_config()

store = AzureFileDatastore(
    name="file_example",
    description="Datastore pointing to an Azure File Share.",
    account_name="mytestfilestore",
    file_share_name="my-share",
    credentials=AccountKeyConfiguration(
        account_key= "XXXxxxXXXxXXXXxxXXXXXxXXXXXxXxxXxXXXxXXXxXXxxxXXxxXXXxXxXXXxxXxxXXXXxxxxxXXxxxxxxXXXxXXX"
    ),
)

ml_client.create_or_update(store)

Tworzenie magazynu danych usługi Azure Data Lake Gen1

from azure.ai.ml.entities import AzureDataLakeGen1Datastore
from azure.ai.ml import MLClient

ml_client = MLClient.from_config()

store = AzureDataLakeGen1Datastore(
    name="",
    store_name="",
    description="",
)

ml_client.create_or_update(store)

Tworzenie magazynu danych usługi OneLake (Microsoft Fabric) (wersja zapoznawcza)

W tej sekcji opisano różne opcje tworzenia magazynu danych OneLake. Magazyn danych OneLake jest częścią usługi Microsoft Fabric. W tej chwili usługa Azure Machine Edukacja obsługuje połączenie z artefaktami usługi Microsoft Fabric Lakehouse, które obejmują foldery / pliki i skróty Amazon S3. Aby uzyskać więcej informacji na temat usługi Lakehouse, odwiedź stronę Co to jest lakehouse w usłudze Microsoft Fabric.

Tworzenie magazynu danych w usłudze OneLake wymaga

  • Punkt końcowy
  • Nazwa obszaru roboczego sieci szkieletowej lub identyfikator GUID
  • Nazwa artefaktu lub identyfikator GUID

informacje z wystąpienia usługi Microsoft Fabric. Te trzy zrzuty ekranu opisują pobieranie tych wymaganych zasobów informacji z wystąpienia usługi Microsoft Fabric:

Nazwa obszaru roboczego usługi OneLake

W wystąpieniu usługi Microsoft Fabric możesz znaleźć informacje o obszarze roboczym, jak pokazano na tym zrzucie ekranu. Możesz użyć wartości identyfikatora GUID lub "przyjaznej nazwy", aby utworzyć magazyn danych usługi Azure Machine Edukacja OneLake.

Screenshot that shows Fabric Workspace details in Microsoft Fabric UI.

Punkt końcowy usługi OneLake

Ten zrzut ekranu przedstawia sposób znajdowania informacji o punkcie końcowym w wystąpieniu usługi Microsoft Fabric:

Screenshot that shows Fabric endpoint details in Microsoft Fabric UI.

Nazwa artefaktu oneLake

Ten zrzut ekranu przedstawia sposób znajdowania informacji o artefaktach w wystąpieniu usługi Microsoft Fabric. Zrzut ekranu przedstawia również sposób użycia wartości identyfikatora GUID lub "przyjaznej nazwy", aby utworzyć magazyn danych usługi Azure Machine Edukacja OneLake:

Screenshot showing how to get Fabric LH artifact details in Microsoft Fabric UI.

Tworzenie magazynu danych OneLake

from azure.ai.ml.entities import OneLakeDatastore, OneLakeArtifact
from azure.ai.ml import MLClient

ml_client = MLClient.from_config()

store = OneLakeDatastore(
    name="onelake_example_id",
    description="Datastore pointing to an Microsoft fabric artifact.",
    one_lake_workspace_name="AzureML_Sample_OneLakeWS",
    endpoint="msit-onelake.dfs.fabric.microsoft.com"
    artifact = OneLakeArtifact(
        name="AzML_Sample_LH",
        type="lake_house"
    )
)

ml_client.create_or_update(store)

Następne kroki