Nota
O acesso a esta página requer autorização. Pode tentar iniciar sessão ou alterar os diretórios.
O acesso a esta página requer autorização. Pode tentar alterar os diretórios.
Importante
Este artigo fornece informações sobre como usar o SDK do Azure Machine Learning v1. O SDK v1 foi preterido a partir de 31 de março de 2025. O apoio terminará em 30 de junho de 2026. Você pode instalar e usar o SDK v1 até essa data.
Recomendamos a transição para o SDK v2 antes de 30 de junho de 2026. Para obter mais informações sobre o SDK v2, consulte O que é a CLI do Azure Machine Learning e o SDK do Python v2? e a referência do SDK v2.
Este artigo explica como usar o componente Executar Script Python para adicionar lógica personalizada ao designer do Azure Machine Learning. Neste guia, você usa a biblioteca Pandas para fazer engenharia de recursos simples.
Você pode usar o editor de código embutido para adicionar rapidamente uma lógica Python simples. Você deve usar o método de arquivo zip para adicionar código mais complexo ou para carregar mais bibliotecas Python.
O ambiente de execução padrão usa a distribuição Anacondas do Python. Consulte a referência do componente Executar Python Script para obter uma lista completa de pacotes pré-instalados.
Importante
Se você não vir os elementos gráficos mencionados neste documento, como botões no estúdio ou no designer, talvez não tenha o nível certo de permissões para o espaço de trabalho. Contacte o administrador da subscrição do Azure para verificar se lhe foi concedido o nível de acesso correto. Para obter mais informações, veja Gerir utilizadores e funções.
Executar código Python no designer
Adicionar o componente Executar Python Script
Entre no estúdio do Azure Machine Learning e selecione o espaço de trabalho que deseja usar.
Selecione Designer no menu da barra lateral. Em Pré-construído clássico, escolha Criar um novo pipeline usando componentes pré-construídos clássicos.
À esquerda do painel do pipeline, selecione Componente.
Na seção Linguagem Python , localize o componente Executar Script Python . Arraste e solte o componente na tela do pipeline.
Conectar conjuntos de dados de entrada
Encontre o conjunto de dados de preço de automóvel (bruto) na secção dados de exemplo. Arraste e solte o conjunto de dados na tela do pipeline.
Conecte a porta de saída do conjunto de dados à porta de entrada superior esquerda do componente Execute Python Script . O designer expõe a entrada como um parâmetro para o script de ponto de entrada.
A porta de entrada direita é reservada para bibliotecas Python compactadas.
Observe cuidadosamente a porta de entrada específica que você usa. O designer atribui a porta de entrada esquerda à variável e a porta de entrada intermediária à
dataset1
.dataset2
Os componentes de entrada são opcionais, uma vez que você pode gerar ou importar dados diretamente no componente Execute Python Script .
Escreva seu código Python
O designer fornece um script de ponto de entrada inicial para você editar e inserir seu próprio código Python.
Neste exemplo, você usa o Pandas para combinar duas das colunas do conjunto de dados do automóvel, Preço e Potência, para criar uma nova coluna chamada Dólares por cavalo de potência. Esta coluna representa quanto você paga por cada unidade de potência, o que pode se tornar um ponto de informação útil para decidir se um carro específico é um bom negócio para o seu preço.
Clique duas vezes no componente Executar script Python .
No painel que aparece à direita da tela, selecione a caixa de texto do script Python.
Copie e cole o seguinte código na caixa de texto:
import pandas as pd def azureml_main(dataframe1 = None, dataframe2 = None): dataframe1['Dollar/HP'] = dataframe1.price / dataframe1.horsepower return dataframe1
Seu pipeline deve se parecer com esta imagem:
O script de ponto de entrada deve conter a função
azureml_main
. A função tem dois parâmetros de função que mapeiam para as duas portas de entrada para o componente Execute Python Script .O valor de retorno deve ser um dataframe do Pandas. Você pode retornar no máximo dois dataframes como saídas de componentes.
Envie o pipeline.
Agora você tem um conjunto de dados, que tem um novo recurso Dollars/HP . Este novo recurso pode ajudar a treinar um recomendado de carro. Este exemplo mostra a extração de recursos e a redução da dimensionalidade.