转换为数据集

本文介绍如何使用 Azure 机器学习设计器中的“转换为数据集”组件将管道的任何数据转换为设计器的内部格式。

大多数情况下，不一定非要转换。 在对数据执行任何操作时，Azure 机器学习都会将数据隐式转换为其本机数据集格式。

如果你对一组数据执行了某种标准化或清理，并且你希望确保在其他管道中使用这些更改，我们建议将数据保存为数据集格式。

如何使用“转换为数据集”

建议在使用“转换为数据集”组件之前，使用编辑元数据组件准备数据集。 你可以添加或更改列名，调整数据类型，以及根据需要进行其他更改。

1. 向管道添加“转换为数据集”组件。 可以在设计器的“数据转换”类别中找到该组件。

2. 将它连接到会输出数据集的任何组件。

   只要数据是表格，就可以将其转换为数据集。 这包括通过导入数据加载的数据、通过手动输入数据创建的数据，或通过应用转换转换的数据集。

3. 在“操作”下拉列表中，指示是否要在保存数据集之前对数据执行任何清理操作：

   • 无：按原样使用数据。

   • SetMissingValue：将特定值设置为数据集中的缺失值。 默认占位符是问号字符 (?)，但你可以使用“自定义缺失值”选项来输入其他值。 例如，如果你为“自定义缺失值”输入了 Taxi ，则数据集中的所有 Taxi 实例都将更改为缺失值。

   • ReplaceValues：使用此选项可以指定要替换为任何其他确切值的单个确切值。 可以通过设置“替换”方法来替换缺失值或自定义值：

     • 缺失：选择此选项可以替换输入数据集中的缺失值。 对于“新值”，请输入要用来替换缺失值的值。
     • 自定义：选择此选项可以替换输入数据集中的自定义值。 对于“自定义值”，请输入要查找的值。 例如，如果数据包含用作缺失值占位符的字符串 obs，则输入 obs。 对于“新值”，请输入用来替换原始字符串的新值。

   请注意，ReplaceValues 操作仅应用于完全匹配项。 例如，这些字符串不会受影响：obs.、obsolete。

4. 提交管道。

结果

• 若要使用新名称保存生成的数据集，请在组件的右面板中的“输出”选项卡下选择“注册数据集”图标。

技术说明

• 采用数据集作为输入的任何组件还可以采用 CSV 文件或 TSV 文件中的数据。 在运行任何组件代码之前，会对输入进行预处理。 预处理等效于对输入运行“转换为数据集”组件。

• 无法从 SVMLight 格式转换为数据集。

• 当指定自定义替换操作时，搜索和替换操作将应用于完整值。 不允许部分匹配。 例如，可以将 3 替换为 -1 或 33，但不能替换两位数（例如 35）中的 3。

• 对于自定义替换操作，如果你使用不符合列的当前数据类型的任何字符进行替换，则替换将失败且不会提示。

后续步骤

请参阅 Azure 机器学习可用的组件集。