Dela via

Dataset Klass

  • Referens

Representerar en resurs för att utforska, transformera och hantera data i Azure Machine Learning.

En datauppsättning är en referens till data i en Datastore eller bakom offentliga webb-URL:er.

För metoder som är inaktuella i den här klassen kontrollerar AbstractDataset du klassen för de förbättrade API:erna.

Följande typer av datauppsättningar stöds:

  • TabularDataset representerar data i tabellformat som skapats genom att parsa den angivna filen eller listan med filer.

  • FileDataset refererar till en eller flera filer i datalager eller från offentliga URL:er.

Om du vill komma igång med datauppsättningar kan du läsa artikeln Lägg till & registrera datauppsättningar eller se notebook-filerna https://aka.ms/tabulardataset-samplenotebook och https://aka.ms/filedataset-samplenotebook.

Initiera datauppsättningsobjektet.

Om du vill hämta en datauppsättning som redan har registrerats med arbetsytan använder du metoden get.

Arv
builtins.object
Dataset

Konstruktor

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

Parametrar

Name Description
definition
Obligatorisk
<xref:azureml.data.DatasetDefinition>

Datauppsättningsdefinitionen.
workspace
Obligatorisk
Workspace

Arbetsytan där datauppsättningen finns.
name
Obligatorisk
str

Namnet på datauppsättningen.
id
Obligatorisk
str

Den unika identifieraren för datauppsättningen.

Kommentarer

Klassen Dataset exponerar två bekvämlighetsklassattribut (File och Tabular) som du kan använda för att skapa en datauppsättning utan att arbeta med motsvarande fabriksmetoder. Om du till exempel vill skapa en datauppsättning med hjälp av följande attribut:

  • Dataset.Tabular.from_delimited_files()

  • Dataset.File.from_files()

Du kan också skapa en ny TabularDataset eller FileDataset genom att direkt anropa motsvarande fabriksmetoder för klassen som definierats i TabularDatasetFactory och FileDatasetFactory.

I följande exempel visas hur du skapar en TabularDataset som pekar på en enskild sökväg i ett datalager.


   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()

Fullständigt exempel är tillgängligt från https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/work-with-data/datasets-tutorial/train-with-datasets/train-with-datasets.ipynb

Variabler

Name Description
azureml.core.Dataset.File

Ett klassattribut som ger åtkomst till FileDatasetFactory-metoderna för att skapa nya FileDataset-objekt. Användning: Dataset.File.from_files().
azureml.core.Dataset.Tabular

Ett klassattribut som ger åtkomst till TabularDatasetFactory-metoderna för att skapa nya TabularDataset-objekt. Användning: Dataset.Tabular.from_delimited_files().

Metoder

archive

Arkivera en aktiv eller inaktuell datauppsättning.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.
auto_read_files

Analyserar filerna på den angivna sökvägen och returnerar en ny datauppsättning.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Använd metoderna Dataset.Tabular.from_* för att läsa filer. Mer information finns i https://aka.ms/dataset-deprecation.
compare_profiles

Jämför den aktuella datauppsättningens profil med en annan datauppsättningsprofil.

Detta visar skillnaderna i sammanfattningsstatistik mellan två datauppsättningar. Parametern "rhs_dataset" står för "höger sida" och är helt enkelt den andra datauppsättningen. Den första datauppsättningen (det aktuella datamängdsobjektet) anses vara "vänster sida".

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.
create_snapshot

Skapa en ögonblicksbild av den registrerade datauppsättningen.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.
delete_snapshot

Ta bort en ögonblicksbild av datauppsättningen efter namn.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.
deprecate

Inaktuella en aktiv datauppsättning på en arbetsyta av en annan datauppsättning.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.
diff

Diff den aktuella datauppsättningen med rhs_dataset.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.
from_binary_files

Skapa en oregistrerad minnesintern datauppsättning från binära filer.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Vi rekommenderar att du använder Dataset.File.from_files i stället. Mer information finns i https://aka.ms/dataset-deprecation.
from_delimited_files

Skapa en oregistrerad minnesintern datauppsättning från avgränsade filer.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Vi rekommenderar att du använder Dataset.Tabular.from_delimited_files i stället. Mer information finns i 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

Skapa en oregistrerad minnesintern datauppsättning från Excel-filer.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.
from_json_files

Skapa en oregistrerad minnesintern datauppsättning från JSON-filer.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Vi rekommenderar att du använder Dataset.Tabular.from_json_lines_files i stället för att läsa från JSON-radfilen. Mer information finns i https://aka.ms/dataset-deprecation.
from_pandas_dataframe

Skapa en oregistrerad minnesintern datauppsättning från en Pandas-dataram.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Vi rekommenderar att du använder Dataset.Tabular.register_pandas_dataframe i stället. Mer information finns i https://aka.ms/dataset-deprecation.
from_parquet_files

Skapa en oregistrerad minnesintern datauppsättning från parquet-filer.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Vi rekommenderar att du använder Dataset.Tabular.from_parquet_files i stället. Mer information finns i https://aka.ms/dataset-deprecation.
from_sql_query

Skapa en oregistrerad minnesintern datauppsättning från en SQL-fråga.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Vi rekommenderar att du använder Dataset.Tabular.from_sql_query i stället. Mer information finns i https://aka.ms/dataset-deprecation.
generate_profile

Generera en ny profil för datauppsättningen.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.
get

Hämta en datauppsättning som redan finns på arbetsytan genom att ange antingen dess namn eller ID.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Rekommendera att använda get_by_name och get_by_id i stället. Mer information finns i https://aka.ms/dataset-deprecation.
get_all

Hämta alla registrerade datamängder på arbetsytan.
get_all_snapshots

Hämta alla ögonblicksbilder av datauppsättningen.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.
get_by_id

Hämta en datauppsättning som sparas på arbetsytan.
get_by_name

Hämta en registrerad datauppsättning från arbetsytan med dess registreringsnamn.
get_definition

Hämta en specifik definition av datauppsättningen.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.
get_definitions

Hämta alla definitioner av datauppsättningen.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.
get_profile

Hämta sammanfattningsstatistik för datauppsättningen som beräknades tidigare.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.
get_snapshot

Hämta en ögonblicksbild av datauppsättningen efter namn.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.
head

Hämta det angivna antalet poster som angetts från den här datauppsättningen och returnera dem som en DataFrame.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.
list

Visa en lista över alla datauppsättningar på arbetsytan, inklusive de med is_visible egenskapen false.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Rekommenderar att du använder get_all i stället. Mer information finns i https://aka.ms/dataset-deprecation.
reactivate

Återaktivera en arkiverad eller inaktuell datauppsättning.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.
register

Registrera datauppsättningen på arbetsytan, vilket gör den tillgänglig för andra användare av arbetsytan.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Rekommenderar att du använder register i stället. Mer information finns i https://aka.ms/dataset-deprecation.
sample

Generera ett nytt exempel från källdatauppsättningen med hjälp av den samplingsstrategi och de parametrar som tillhandahålls.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Skapa en TabularDataset genom att anropa de statiska metoderna i Dataset.Tabular och använda take_sample metoden där. Mer information finns i https://aka.ms/dataset-deprecation.
to_pandas_dataframe

Skapa en Pandas-dataram genom att köra transformeringspipelinen som definieras av den här datauppsättningsdefinitionen.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Skapa en TabularDataset genom att anropa de statiska metoderna i Dataset.Tabular och använda to_pandas_dataframe metoden där. Mer information finns i https://aka.ms/dataset-deprecation.
to_spark_dataframe

Skapa en Spark DataFrame som kan köra transformeringspipelinen som definieras av den här datauppsättningsdefinitionen.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Skapa en TabularDataset genom att anropa de statiska metoderna i Dataset.Tabular och använda to_spark_dataframe metoden där. Mer information finns i https://aka.ms/dataset-deprecation.
update

Uppdatera de föränderliga attributen för datauppsättningar på arbetsytan och returnera den uppdaterade datauppsättningen från arbetsytan.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.
update_definition

Uppdatera datauppsättningsdefinitionen.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.

archive

Arkivera en aktiv eller inaktuell datauppsättning.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.

archive()

Returer

Typ Description
None

Inga.

Kommentarer

Efter arkiveringen resulterar alla försök att använda datauppsättningen i ett fel. Om arkiveras av misstag aktiverar återaktiveringen den.

auto_read_files

Analyserar filerna på den angivna sökvägen och returnerar en ny datauppsättning.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Använd metoderna Dataset.Tabular.from_* för att läsa filer. Mer information finns i https://aka.ms/dataset-deprecation.

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

Parametrar

Name Description
path
Obligatorisk
DataReference eller str

En datasökväg i ett registrerat datalager, en lokal sökväg eller en HTTP-URL (CSV/TSV).
include_path
Obligatorisk
bool

Om du vill inkludera en kolumn som innehåller sökvägen till filen som data lästes från. Användbart när du läser flera filer och vill veta vilken fil en viss post kommer från. Även användbart om det finns information i filsökvägen eller namnet som du vill ha i en kolumn.
partition_format
Obligatorisk
str

Ange partitionsformatet i sökvägen och skapa strängkolumner från formatet {x} och datetime-kolumnen från formatet {x:åååå/MM/dd/HH/mm/ss}, där 'åååå', 'MM', 'dd', 'HH', 'mm' och 'ss' används för extra år, månad, dag, timme, minut och sekund för datetime-typen. Formatet bör börja från positionen för den första partitionsnyckeln till slutet av filsökvägen. Till exempel med en filsökväg .. /Accounts/2019/01/01/data.csv" där data partitioneras efter avdelningsnamn och tid, kan vi definiera "/{Department}/{PartitionDate:yyyy/MM/dd}/data.csv" för att skapa kolumnerna "Avdelning" av strängtyp och "PartitionDate" av datetime-typ.

Returer

Typ Description
Dataset

Datauppsättningsobjekt.

Kommentarer

Använd den här metoden när filformat och avgränsare ska identifieras automatiskt.

När du har skapat en datauppsättning bör du använda get_profile för att lista identifierade kolumntyper och sammanfattningsstatistik för varje kolumn.

Den returnerade datauppsättningen är inte registrerad på arbetsytan.

compare_profiles

Jämför den aktuella datauppsättningens profil med en annan datauppsättningsprofil.

Detta visar skillnaderna i sammanfattningsstatistik mellan två datauppsättningar. Parametern "rhs_dataset" står för "höger sida" och är helt enkelt den andra datauppsättningen. Den första datauppsättningen (det aktuella datamängdsobjektet) anses vara "vänster sida".

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.

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

Parametrar

Name Description
rhs_dataset
Obligatorisk
Dataset

En andra datauppsättning, även kallad en "höger sida" datauppsättning för jämförelse.
profile_arguments
Obligatorisk
dict

Argument för att försöka skapa en specifik profil igen.
include_columns
Obligatorisk
list[str]

Lista över kolumnnamn som ska ingå i jämförelsen.
exclude_columns
Obligatorisk
list[str]

Lista över kolumnnamn som ska undantas vid jämförelse.
histogram_compare_method
Obligatorisk
HistogramCompareMethod

Enum som beskriver jämförelsemetoden, t.ex. Wasserstein eller Energy

Returer

Typ Description
<xref:azureml.dataprep.api.engineapi.typedefinitions.DataProfileDifference>

Skillnad mellan de två datauppsättningsprofilerna.

Kommentarer

Detta gäller endast för registrerade datauppsättningar. Genererar ett undantag om den aktuella datauppsättningens profil inte finns. För oregistrerade datauppsättningar använder du metoden profile.compare.

create_snapshot

Skapa en ögonblicksbild av den registrerade datauppsättningen.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.

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

Parametrar

Name Description
snapshot_name
Obligatorisk
str

Namnet på ögonblicksbilden. Namn på ögonblicksbilder ska vara unika inom en datauppsättning.
compute_target
Obligatorisk
Union[ComputeTarget, str]

Valfritt beräkningsmål för att skapa ögonblicksbildprofilen. Om det utelämnas används den lokala beräkningen.
create_data_snapshot
Obligatorisk
bool

Om värdet är Sant skapas en materialiserad kopia av data.
target_datastore
Obligatorisk
Union[AbstractAzureStorageDatastore, str]

Måldatalager för att spara ögonblicksbilder. Om den utelämnas skapas ögonblicksbilden i standardlagringen för arbetsytan.

Returer

Typ Description
DatasetSnapshot

Objekt för ögonblicksbild av datauppsättning.

Kommentarer

Ögonblicksbilder samlar in sammanfattningsstatistik för tidpunkt för underliggande data och en valfri kopia av själva data. Mer information om hur du skapar ögonblicksbilder finns https://aka.ms/azureml/howto/createsnapshotsi .

delete_snapshot

Ta bort en ögonblicksbild av datauppsättningen efter namn.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.

delete_snapshot(snapshot_name)

Parametrar

Name Description
snapshot_name
Obligatorisk
str

Namnet på ögonblicksbilden.

Returer

Typ Description
None

Inga.

Kommentarer

Använd det här alternativet om du vill frigöra lagringsutrymme som används av data som sparats i ögonblicksbilder som du inte längre behöver.

deprecate

Inaktuella en aktiv datauppsättning på en arbetsyta av en annan datauppsättning.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.

deprecate(deprecate_by_dataset_id)

Parametrar

Name Description
deprecate_by_dataset_id
Obligatorisk
str

Datamängds-ID:t som är avsedd ersättning för den här datauppsättningen.

Returer

Typ Description
None

Inga.

Kommentarer

Inaktuella datauppsättningar loggar varningar när de används. Om en datauppsättning blir inaktuell blir alla dess definitioner inaktuella.

Inaktuella datauppsättningar kan fortfarande användas. Om du vill blockera en datauppsättning helt från att förbrukas arkiverar du den.

Om den är inaktuell av misstag aktiverar återaktiveringen den.

diff

Diff den aktuella datauppsättningen med rhs_dataset.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.

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

Parametrar

Name Description
rhs_dataset
Obligatorisk
Dataset

En annan datauppsättning kallas även datauppsättning på höger sida för jämförelse
compute_target
Obligatorisk
Union[ComputeTarget, str]

beräkningsmål för att utföra diffen. Om det utelämnas används den lokala beräkningen.
columns
Obligatorisk
list[str]

Lista över kolumnnamn som ska ingå i diff.

Returer

Typ Description
DatasetActionRun

Körningsobjekt för datauppsättningsåtgärd.

from_binary_files

Skapa en oregistrerad minnesintern datauppsättning från binära filer.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Vi rekommenderar att du använder Dataset.File.from_files i stället. Mer information finns i https://aka.ms/dataset-deprecation.

static from_binary_files(path)

Parametrar

Name Description
path
Obligatorisk
DataReference eller str

En datasökväg i ett registrerat datalager eller en lokal sökväg.

Returer

Typ Description
Dataset

Datamängdsobjektet.

Kommentarer

Använd den här metoden för att läsa filer som strömmar av binära data. Returnerar ett filströmsobjekt per filläsning. Använd den här metoden när du läser bilder, videor, ljud eller andra binära data.

get_profile och create_snapshot fungerar inte som förväntat för en datauppsättning som skapats med den här metoden.

Den returnerade datauppsättningen är inte registrerad på arbetsytan.

from_delimited_files

Skapa en oregistrerad minnesintern datauppsättning från avgränsade filer.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Vi rekommenderar att du använder Dataset.Tabular.from_delimited_files i stället. Mer information finns i 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)

Parametrar

Name Description
path
Obligatorisk
DataReference eller str

En datasökväg i ett registrerat datalager, en lokal sökväg eller en HTTP-URL.
separator
Obligatorisk
str

Avgränsaren som används för att dela kolumner.
header
Obligatorisk
PromoteHeadersBehavior

Styr hur kolumnrubriker höjs upp när du läser från filer.
encoding
Obligatorisk
FileEncoding

Kodningen av de filer som läss.
quoting
Obligatorisk
bool

Ange hur nya radtecken ska hanteras inom citattecken. Standardvärdet (Falskt) är att tolka nya radtecken som att starta nya rader, oavsett om de nya radteckenen ligger inom citattecken eller inte. Om värdet är True resulterar nya radtecken inom citattecken inte i nya rader, och filläsningshastigheten går långsammare.
infer_column_types
Obligatorisk
bool

Anger om kolumndatatyper härleds.
skip_rows
Obligatorisk
int

Hur många rader som ska hoppas över i de filer som läss.
skip_mode
Obligatorisk
SkipLinesBehavior

Styr hur rader hoppas över vid läsning från filer.
comment
Obligatorisk
str

Tecken som används för att ange kommentarsrader i de filer som läss. Rader som börjar med den här strängen hoppas över.
include_path
Obligatorisk
bool

Om du vill inkludera en kolumn som innehåller sökvägen till filen som data lästes från. Detta är användbart när du läser flera filer och vill veta vilken fil en viss post kommer från, eller för att behålla användbar information i filsökvägen.
archive_options
Obligatorisk
<xref:azureml.dataprep.ArchiveOptions>

Alternativ för arkivfil, inklusive arkivtyp och postglobmönster. Vi stöder endast ZIP som arkivtyp för tillfället. Du kan till exempel ange


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

läser alla filer med namn som slutar med "10-20.csv" i ZIP.
partition_format
Obligatorisk
str

Ange partitionsformatet i sökvägen och skapa strängkolumner från formatet {x} och datetime-kolumnen från formatet {x:åååå/MM/dd/HH/mm/ss}, där 'åååå', 'MM', 'dd', 'HH', 'mm' och 'ss' används för extra år, månad, dag, timme, minut och sekund för datetime-typen. Formatet bör börja från positionen för den första partitionsnyckeln till slutet av filsökvägen. Till exempel med en filsökväg .. /Accounts/2019/01/01/data.csv" där data partitioneras efter avdelningsnamn och tid, kan vi definiera "/{Department}/{PartitionDate:yyyy/MM/dd}/data.csv" för att skapa kolumnerna "Department" av strängtyp och "PartitionDate" av datetime-typ.

Returer

Typ Description
Dataset

Datauppsättningsobjekt.

Kommentarer

Använd den här metoden för att läsa avgränsade textfiler när du vill styra de alternativ som används.

När du har skapat en datauppsättning bör du använda get_profile för att lista identifierade kolumntyper och sammanfattningsstatistik för varje kolumn.

Den returnerade datauppsättningen är inte registrerad på arbetsytan.

from_excel_files

Skapa en oregistrerad minnesintern datauppsättning från Excel-filer.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i 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)

Parametrar

Name Description
path
Obligatorisk
DataReference eller str

En datasökväg i ett registrerat datalager eller en lokal sökväg.
sheet_name
Obligatorisk
str

Namnet på Excel-bladet som ska läsas in. Som standard läser vi det första bladet från varje Excel-fil.
use_column_headers
Obligatorisk
bool

Styr om den första raden ska användas som kolumnrubriker.
skip_rows
Obligatorisk
int

Hur många rader som ska hoppas över i de filer som läss.
include_path
Obligatorisk
bool

Om du vill inkludera en kolumn som innehåller sökvägen till filen som data lästes från. Detta är användbart när du läser flera filer och vill veta vilken fil en viss post kommer från, eller för att behålla användbar information i filsökvägen.
infer_column_types
Obligatorisk
bool

Om det är sant kommer kolumndatatyper att härledas.
partition_format
Obligatorisk
str

Ange partitionsformatet i sökvägen och skapa strängkolumner från formatet {x} och datetime-kolumnen från formatet {x:åååå/MM/dd/HH/mm/ss}, där 'åååå', 'MM', 'dd', 'HH', 'mm' och 'ss' används för extra år, månad, dag, timme, minut och sekund för datetime-typen. Formatet bör börja från positionen för den första partitionsnyckeln till slutet av filsökvägen. Till exempel med en filsökväg .. /Accounts/2019/01/01/data.xlsx" där data partitioneras efter avdelningsnamn och tid, kan vi definiera "/{Department}/{PartitionDate:yyyy/MM/dd}/data.xlsx" för att skapa kolumnerna "Department" av strängtyp och "PartitionDate" av datetime-typ.

Returer

Typ Description
Dataset

Datauppsättningsobjekt.

Kommentarer

Använd den här metoden för att läsa Excel-filer i .xlsx format. Data kan läsas från ett blad i varje Excel-fil. När du har skapat en datauppsättning bör du använda get_profile för att lista identifierade kolumntyper och sammanfattningsstatistik för varje kolumn. Den returnerade datauppsättningen är inte registrerad på arbetsytan.

from_json_files

Skapa en oregistrerad minnesintern datauppsättning från JSON-filer.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Vi rekommenderar att du använder Dataset.Tabular.from_json_lines_files i stället för att läsa från JSON-radfilen. Mer information finns i https://aka.ms/dataset-deprecation.

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

Parametrar

Name Description
path
Obligatorisk
DataReference eller str

Sökvägen till de filer eller mappar som du vill läsa in och parsa. Det kan antingen vara en lokal sökväg eller en Azure Blob-URL. Globbning stöds. Du kan till exempel använda sökvägen = "./data*" för att läsa alla filer med ett namn som börjar med "data".
encoding
Obligatorisk
FileEncoding

Kodningen av de filer som läss.
flatten_nested_arrays
Obligatorisk
bool

Egenskap som styr programmets hantering av kapslade matriser. Om du väljer att platta ut kapslade JSON-matriser kan det resultera i ett mycket större antal rader.
include_path
Obligatorisk
bool

Om du vill inkludera en kolumn som innehåller sökvägen som data lästes från. Detta är användbart när du läser flera filer och kanske vill veta vilken fil en viss post kommer från, eller för att behålla användbar information i filsökvägen.
partition_format
Obligatorisk
str

Ange partitionsformatet i sökvägen och skapa strängkolumner från formatet {x} och datetime-kolumnen från formatet {x:åååå/MM/dd/HH/mm/ss}, där 'åååå', 'MM', 'dd', 'HH', 'mm' och 'ss' används för extra år, månad, dag, timme, minut och sekund för datetime-typen. Formatet bör börja från positionen för den första partitionsnyckeln till slutet av filsökvägen. Till exempel med en filsökväg .. /Accounts/2019/01/01/data.json" och data partitioneras efter avdelningsnamn och tid. Vi kan definiera "/{Avdelning}/{PartitionDate:åååå/MM/dd}/data.json" för att skapa kolumnerna "Avdelning" av strängtyp och "PartitionDate" av datetime-typ.

Returer

Typ Description
Dataset

Det lokala datauppsättningsobjektet.

from_pandas_dataframe

Skapa en oregistrerad minnesintern datauppsättning från en Pandas-dataram.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Vi rekommenderar att du använder Dataset.Tabular.register_pandas_dataframe i stället. Mer information finns i https://aka.ms/dataset-deprecation.

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

Parametrar

Name Description
dataframe
Obligatorisk
DataFrame

The Pandas DataFrame.
path
Obligatorisk
Union[DataReference, str]

En datasökväg i registrerat datalager eller en lokal mappsökväg.
in_memory
Obligatorisk
bool

Om dataramen ska läsas från minnet i stället för att sparas på disken.

Returer

Typ Description
Dataset

Ett datauppsättningsobjekt.

Kommentarer

Använd den här metoden för att konvertera en Pandas-dataram till ett Dataset-objekt. Det går inte att registrera en datauppsättning som skapats med den här metoden eftersom data kommer från minnet.

Om in_memory är False konverteras Pandas DataFrame till en CSV-fil lokalt. Om pat är av typen DataReference laddas Pandas-ramen upp till datalagret och datauppsättningen baseras på DataReference. Om ''path' är en lokal mapp skapas datauppsättningen från den lokala filen som inte kan tas bort.

Utlöser ett undantag om den aktuella DataReference inte är en mappsökväg.

from_parquet_files

Skapa en oregistrerad minnesintern datauppsättning från parquet-filer.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Vi rekommenderar att du använder Dataset.Tabular.from_parquet_files i stället. Mer information finns i https://aka.ms/dataset-deprecation.

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

Parametrar

Name Description
path
Obligatorisk
DataReference eller str

En datasökväg i ett registrerat datalager eller en lokal sökväg.
include_path
Obligatorisk
bool

Om du vill inkludera en kolumn som innehåller sökvägen till filen som data lästes från. Detta är användbart när du läser flera filer och vill veta vilken fil en viss post kommer från, eller för att behålla användbar information i filsökvägen.
partition_format
Obligatorisk
str

Ange partitionsformatet i sökvägen och skapa strängkolumner från formatet {x} och datetime-kolumnen från formatet {x:åååå/MM/dd/HH/mm/ss}, där 'åååå', 'MM', 'dd', 'HH', 'mm' och 'ss' används för extra år, månad, dag, timme, minut och sekund för datetime-typen. Formatet bör börja från positionen för den första partitionsnyckeln till slutet av filsökvägen. Till exempel med en filsökväg .. /Accounts/2019/01/01/data.parquet" där data partitioneras efter avdelningsnamn och tid. Vi kan definiera "/{Department}/{PartitionDate:yyyy/MM/dd}/data.parquet" för att skapa kolumnerna "Department" av strängtyp och "PartitionDate" av datetime-typ.

Returer

Typ Description
Dataset

Datauppsättningsobjekt.

Kommentarer

Använd den här metoden för att läsa Parquet-filer.

När du har skapat en datauppsättning bör du använda get_profile för att lista identifierade kolumntyper och sammanfattningsstatistik för varje kolumn.

Den returnerade datauppsättningen är inte registrerad på arbetsytan.

from_sql_query

Skapa en oregistrerad minnesintern datauppsättning från en SQL-fråga.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Vi rekommenderar att du använder Dataset.Tabular.from_sql_query i stället. Mer information finns i https://aka.ms/dataset-deprecation.

static from_sql_query(data_source, query)

Parametrar

Name Description
data_source
Obligatorisk
AzureSqlDatabaseDatastore

Information om Azure SQL datalager.
query
Obligatorisk
str

Frågan som ska köras för att läsa data.

Returer

Typ Description
Dataset

Det lokala datauppsättningsobjektet.

generate_profile

Generera en ny profil för datauppsättningen.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.

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

Parametrar

Name Description
compute_target
Obligatorisk
Union[ComputeTarget, str]

Ett valfritt beräkningsmål för att skapa ögonblicksbildprofilen. Om det utelämnas används den lokala beräkningen.
workspace
Obligatorisk
Workspace

Arbetsyta som krävs för tillfälliga(oregistrerade) datauppsättningar.
arguments
Obligatorisk
dict[str, object]

Profilargument. Giltiga argument är:

  • "include_stype_counts" av typen bool. Kontrollera om värdena ser ut som några välkända semantiska typer, till exempel e-postadress, IP-adress (V4/V6), amerikanskt telefonnummer, amerikanskt postnummer, latitud/longitud. Om du aktiverar detta påverkas prestandan.

  • "number_of_histogram_bins" av typen int. Representerar antalet histogramintervall som ska användas för numeriska data. Standardvärdet är 10.

Returer

Typ Description
DatasetActionRun

Körningsobjekt för datauppsättningsåtgärd.

Kommentarer

Synkront anrop blockerar tills det har slutförts. Anropa get_result för att hämta resultatet av åtgärden.

get

Hämta en datauppsättning som redan finns på arbetsytan genom att ange antingen dess namn eller ID.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Rekommendera att använda get_by_name och get_by_id i stället. Mer information finns i https://aka.ms/dataset-deprecation.

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

Parametrar

Name Description
workspace
Obligatorisk
Workspace

Den befintliga AzureML-arbetsytan där datauppsättningen skapades.
name
Obligatorisk
str

Namnet på den datauppsättning som ska hämtas.
id
Obligatorisk
str

En unik identifierare för datauppsättningen på arbetsytan.

Returer

Typ Description
Dataset

Datauppsättningen med det angivna namnet eller ID:t.

Kommentarer

Du kan ange antingen name eller id. Ett undantag utlöses om:

  • både name och id anges men matchar inte.

  • Datauppsättningen med angiven name eller id kan inte hittas på arbetsytan.

get_all

Hämta alla registrerade datamängder på arbetsytan.

get_all()

Parametrar

Name Description
workspace
Obligatorisk
Workspace

Den befintliga AzureML-arbetsytan där datauppsättningarna registrerades.

Returer

Typ Description
dict[str, Union[TabularDataset, FileDataset]]

En ordlista med TabularDataset- och FileDataset-objekt som är nyckelade efter deras registreringsnamn.

get_all_snapshots

Hämta alla ögonblicksbilder av datauppsättningen.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.

get_all_snapshots()

Returer

Typ Description
list[DatasetSnapshot]

Lista över ögonblicksbilder av datauppsättningar.

get_by_id

Hämta en datauppsättning som sparas på arbetsytan.

get_by_id(id, **kwargs)

Parametrar

Name Description
workspace
Obligatorisk
Workspace

Den befintliga AzureML-arbetsytan där datauppsättningen sparas.
id
Obligatorisk
str

ID:t för datauppsättningen.

Returer

Typ Description
Union[TabularDataset, FileDataset]

Datamängdsobjektet. Om datauppsättningen är registrerad returneras även dess registreringsnamn och version.

get_by_name

Hämta en registrerad datauppsättning från arbetsytan med dess registreringsnamn.

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

Parametrar

Name Description
workspace
Obligatorisk
Workspace

Den befintliga AzureML-arbetsytan där datauppsättningen registrerades.
name
Obligatorisk
str

Registreringsnamnet.
version
Obligatorisk
int

Registreringsversionen. Standardvärdet är "senaste".

Returer

Typ Description
Union[TabularDataset, FileDataset]

Det registrerade datauppsättningsobjektet.

get_definition

Hämta en specifik definition av datauppsättningen.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.

get_definition(version_id=None)

Parametrar

Name Description
version_id
Obligatorisk
str

Versions-ID för datauppsättningsdefinitionen

Returer

Typ Description
DatasetDefinition

Datauppsättningsdefinitionen.

Kommentarer

Om version_id anges försöker Azure Machine Learning hämta definitionen som motsvarar den versionen. Om den versionen inte finns utlöses ett undantag. Om version_id utelämnas hämtas den senaste versionen.

get_definitions

Hämta alla definitioner av datauppsättningen.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.

get_definitions()

Returer

Typ Description
dict[str, DatasetDefinition]

En ordlista med datauppsättningsdefinitioner.

Kommentarer

En datauppsättning som är registrerad på en AzureML-arbetsyta kan ha flera definitioner som var och en skapas genom att anropa update_definition. Varje definition har en unik identifierare. Den aktuella definitionen är den senaste som skapats.

För oregistrerade datauppsättningar finns bara en definition.

get_profile

Hämta sammanfattningsstatistik för datauppsättningen som beräknades tidigare.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.

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

Parametrar

Name Description
arguments
Obligatorisk
dict[str, object]

Profilargument.
generate_if_not_exist
Obligatorisk
bool

Anger om en profil ska genereras om den inte finns.
workspace
Obligatorisk
Workspace

Arbetsyta som krävs för tillfälliga(oregistrerade) datauppsättningar.
compute_target
Obligatorisk
Union[ComputeTarget, str]

Ett beräkningsmål för att köra profilåtgärden.

Returer

Typ Description
<xref:azureml.dataprep.DataProfile>

DataProfile för datauppsättningen.

Kommentarer

För en datauppsättning som registrerats med en Azure Machine Learning-arbetsyta hämtar den här metoden en befintlig profil som skapades tidigare genom att anropa get_profile om den fortfarande är giltig. Profiler ogiltigförklaras när ändrade data identifieras i datauppsättningen eller argumenten till get_profile skiljer sig från de som användes när profilen genererades. Om profilen inte finns eller ogiltigförklaras avgör generate_if_not_exist du om en ny profil genereras.

För en datauppsättning som inte är registrerad på en Azure Machine Learning-arbetsyta körs generate_profile den här metoden alltid och returnerar resultatet.

get_snapshot

Hämta en ögonblicksbild av datauppsättningen efter namn.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.

get_snapshot(snapshot_name)

Parametrar

Name Description
snapshot_name
Obligatorisk
str

Namnet på ögonblicksbilden.

Returer

Typ Description
DatasetSnapshot

Objekt för ögonblicksbild av datauppsättning.

head

Hämta det angivna antalet poster som angetts från den här datauppsättningen och returnera dem som en DataFrame.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.

head(count)

Parametrar

Name Description
count
Obligatorisk
int

Antalet poster som ska hämtas.

Returer

Typ Description
DataFrame

En Pandas DataFrame.

list

Visa en lista över alla datauppsättningar på arbetsytan, inklusive de med is_visible egenskapen false.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Rekommenderar att du använder get_all i stället. Mer information finns i https://aka.ms/dataset-deprecation.

static list(workspace)

Parametrar

Name Description
workspace
Obligatorisk
Workspace

Den arbetsyta som du vill hämta listan över datauppsättningar för.

Returer

Typ Description
list[Dataset]

En lista över datauppsättningsobjekt.

reactivate

Återaktivera en arkiverad eller inaktuell datauppsättning.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.

reactivate()

Returer

Typ Description
None

Inga.

register

Registrera datauppsättningen på arbetsytan, vilket gör den tillgänglig för andra användare av arbetsytan.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Rekommenderar att du använder register i stället. Mer information finns i https://aka.ms/dataset-deprecation.

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

Parametrar

Name Description
workspace
Obligatorisk
Workspace

Den AzureML-arbetsyta där datauppsättningen ska registreras.
name
Obligatorisk
str

Namnet på datauppsättningen på arbetsytan.
description
Obligatorisk
str

En beskrivning av datauppsättningen.
tags
Obligatorisk
dict[str, str]

Taggar som ska associeras med datauppsättningen.
visible
Obligatorisk
bool

Anger om datauppsättningen visas i användargränssnittet. Om det är falskt är datauppsättningen dold i användargränssnittet och tillgänglig via SDK.
exist_ok
Obligatorisk
bool

Om sant returnerar metoden datauppsättningen om den redan finns på den angivna arbetsytan, annars fel.
update_if_exist
Obligatorisk
bool

Om exist_ok är Sant och update_if_exist är Sant uppdaterar den här metoden definitionen och returnerar den uppdaterade datauppsättningen.

Returer

Typ Description
Dataset

Ett registrerat datauppsättningsobjekt på arbetsytan.

sample

Generera ett nytt exempel från källdatauppsättningen med hjälp av den samplingsstrategi och de parametrar som tillhandahålls.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Skapa en TabularDataset genom att anropa de statiska metoderna i Dataset.Tabular och använda take_sample metoden där. Mer information finns i https://aka.ms/dataset-deprecation.

sample(sample_strategy, arguments)

Parametrar

Name Description
sample_strategy
Obligatorisk
str

Exempelstrategi som ska användas. Godkända värden är "top_n", "simple_random" eller "stratified".
arguments
Obligatorisk
dict[str, object]

En ordlista med nycklar från "Valfritt argument" i listan ovan och värden från kolumnen tye "Type". Endast argument från motsvarande samplingsmetod kan användas. För exempeltypen "simple_random" kan du till exempel bara ange en ordlista med nycklarna "probability" och "seed".

Returer

Typ Description
Dataset

Datauppsättningsobjekt som ett exempel på den ursprungliga datauppsättningen.

Kommentarer

Exempel genereras genom att transformeringspipelinen som definieras av den här datauppsättningen körs och sedan tillämpas samplingsstrategin och parametrarna på utdata. Varje samplingsmetod stöder följande valfria argument:

  • top_n

    • Valfria argument

      • n, skriv heltal. Välj de översta N raderna som exempel.

  • simple_random

    • Valfria argument

      • sannolikhet, typ float. Enkel slumpmässig sampling där varje rad har samma sannolikhet att väljas. Sannolikheten ska vara ett tal mellan 0 och 1.

      • seed, type float. Används av slumptalsgeneratorn. Används för repeterbarhet.

  • Skiktat

    • Valfria argument

      • kolumner, skriv list[str]. Lista över strata-kolumner i data.

      • seed, type float. Används av slumptalsgeneratorn. Används för repeterbarhet.

      • fractions, type dict[tuple, float]. Tuppel: kolumnvärden som definierar ett stratum måste vara i samma ordning som kolumnnamn. Float: vikt fäst vid ett stratum under sampling.

Följande kodfragment är exempel på designmönster för olika exempelmetoder.


   # 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

Skapa en Pandas-dataram genom att köra transformeringspipelinen som definieras av den här datauppsättningsdefinitionen.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Skapa en TabularDataset genom att anropa de statiska metoderna i Dataset.Tabular och använda to_pandas_dataframe metoden där. Mer information finns i https://aka.ms/dataset-deprecation.

to_pandas_dataframe()

Returer

Typ Description
DataFrame

En Pandas DataFrame.

Kommentarer

Returnera en Pandas DataFrame som är helt materialiserad i minnet.

to_spark_dataframe

Skapa en Spark DataFrame som kan köra transformeringspipelinen som definieras av den här datauppsättningsdefinitionen.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Skapa en TabularDataset genom att anropa de statiska metoderna i Dataset.Tabular och använda to_spark_dataframe metoden där. Mer information finns i https://aka.ms/dataset-deprecation.

to_spark_dataframe()

Returer

Typ Description
DataFrame

En Spark-dataram.

Kommentarer

Spark-dataramen som returneras är bara en körningsplan och innehåller inga data, eftersom Spark-dataramar utvärderas lazily.

update

Uppdatera de föränderliga attributen för datauppsättningar på arbetsytan och returnera den uppdaterade datauppsättningen från arbetsytan.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.

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

Parametrar

Name Description
name
Obligatorisk
str

Namnet på datauppsättningen på arbetsytan.
description
Obligatorisk
str

En beskrivning av data.
tags
Obligatorisk
dict[str, str]

Taggar som datauppsättningen ska associeras med.
visible
Obligatorisk
bool

Anger om datauppsättningen visas i användargränssnittet.

Returer

Typ Description
Dataset

Ett uppdaterat datauppsättningsobjekt från arbetsytan.

update_definition

Uppdatera datauppsättningsdefinitionen.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.

update_definition(definition, definition_update_message)

Parametrar

Name Description
definition
Obligatorisk
DatasetDefinition

Den nya definitionen av den här datauppsättningen.
definition_update_message
Obligatorisk
str

Meddelandet om definitionsuppdatering.

Returer

Typ Description
Dataset

Ett uppdaterat datauppsättningsobjekt från arbetsytan.

Kommentarer

Om du vill använda den uppdaterade datauppsättningen använder du objektet som returneras av den här metoden.

Attribut

definition

Returnera den aktuella datauppsättningsdefinitionen.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.

Returer

Typ Description
DatasetDefinition

Datauppsättningsdefinitionen.

Kommentarer

En datauppsättningsdefinition är en serie steg som anger hur du läser och transformerar data.

En datauppsättning som är registrerad på en AzureML-arbetsyta kan ha flera definitioner som var och en skapas genom att anropa update_definition. Varje definition har en unik identifierare. Med flera definitioner kan du göra ändringar i befintliga datauppsättningar utan att bryta modeller och pipelines som är beroende av den äldre definitionen.

För oregistrerade datauppsättningar finns bara en definition.

definition_version

Returnera versionen av den aktuella definitionen av datauppsättningen.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.

Returer

Typ Description
str

Datauppsättningens definitionsversion.

Kommentarer

En datauppsättningsdefinition är en serie steg som anger hur du läser och transformerar data.

En datauppsättning som är registrerad på en AzureML-arbetsyta kan ha flera definitioner som var och en skapas genom att anropa update_definition. Varje definition har en unik identifierare. Den aktuella definitionen är den senaste som skapats, vars ID returneras av detta.

För oregistrerade datauppsättningar finns bara en definition.

description

Returnera beskrivningen av datauppsättningen.

Returer

Typ Description
str

Beskrivningen av datauppsättningen.

Kommentarer

Genom att ange en beskrivning av data i datauppsättningen kan användare av arbetsytan förstå vad data representerar och hur de kan använda dem.

id

Om datauppsättningen har registrerats på en arbetsyta returnerar du ID:t för datauppsättningen. Annars returnerar du Ingen.

Returer

Typ Description
str

Datauppsättningens ID.

is_visible

Kontrollera synligheten för en registrerad datauppsättning i användargränssnittet för Azure ML-arbetsytan.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.

Returer

Typ Description
bool

Datauppsättningens synlighet.

Kommentarer

Returnerade värden:

  • Sant: Datauppsättningen visas i arbetsytans användargränssnitt. Standard.

  • Falskt: Datauppsättningen är dold i arbetsytans användargränssnitt.

Har ingen effekt på oregistrerade datauppsättningar.

name

Returnera datauppsättningens namn.

Returer

Typ Description
str

Datauppsättningens namn.

state

Returnera datauppsättningens tillstånd.

Anteckning

Den här metoden är inaktuell och stöds inte längre.

Mer information finns i https://aka.ms/dataset-deprecation.

Returer

Typ Description
str

Datauppsättningens tillstånd.

Kommentarer

Tillståndens betydelse och effekt är följande:

  • Aktiva. Aktiva definitioner är precis vad de låter som, alla åtgärder kan utföras på aktiva definitioner.

  • Inaktuellt. inaktuell definition kan användas, men resulterar i att en varning loggas i loggarna varje gång underliggande data används.

  • Arkiverade. En arkiverad definition kan inte användas för att utföra någon åtgärd. Om du vill utföra åtgärder för en arkiverad definition måste den återaktiveras.

tags

Returnera taggarna som är associerade med datauppsättningen.

Returer

Typ Description
dict[str, str]

Datauppsättningstaggar.

workspace

Om datauppsättningen har registrerats på en arbetsyta returnerar du den. Annars returnerar du Ingen.

Returer

Typ Description
Workspace

Arbetsytan.

Tabular

Fabrik för att skapa FileDataset

alias för TabularDatasetFactory