你当前正在访问 Microsoft Azure Global Edition 技术文档网站。如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

在交互式开发期间从 Azure 云存储访问数据

项目
09/03/2024

机器学习项目通常从探索性数据分析 (EDA)、数据预处理（清理、特征工程）开始，并包括构建 ML 模型原型来验证假设。此原型制作项目阶段具有高度交互性，适合在 Jupyter 笔记本或带有 Python 交互式控制台的 IDE 中进行开发。在本文中，将学习以下内容：

如同在文件系统中一样从 Azure 机器学习数据存储 URI 访问数据。
使用 mltable Python 库将数据具现到 Pandas 中。
使用 mltable Python 库将 Azure 机器学习数据资产具现到 Pandas 中。
使用 azcopy 实用工具通过显式下载具体化数据。

先决条件

Azure 机器学习工作区。有关详细信息，请访问使用门户或 Python SDK (v2) 管理 Azure 机器学习工作区。
一个 Azure 机器学习数据存储。有关详细信息，请访问创建数据存储。

提示

本文中的指南介绍了交互式开发期间的数据访问。它适用于可以运行 Python 会话的任何主机。这可能包括你的本地计算机、云 VM、GitHub Codespace 等。我们建议使用 Azure 机器学习计算实例 - 一个完全托管且预配置的云工作站。有关详细信息，请访问创建 Azure 机器学习计算实例。

重要

确保在 Python 环境中安装了最新的 azure-fsspec、mltable 和 azure-ai-ml Python 库：

pip install -U azureml-fsspec==1.3.1 mltable azure-ai-ml

最新的 azure-fsspec 包版本可能会随时间而变化。有关 azure-fsspec 包的详细信息，请访问此资源。

从数据存储 URI 访问数据，如文件系统

Azure 机器学习数据存储是对现有 Azure 存储帐户的一种称呼。创建和使用数据存储的优势包括：

可使用常见易用的 API 与不同的存储类型（Blob/Files/ADLS）进行交互。
在团队运营中更轻松地发现有用的数据存储。
支持基于凭据（例如 SAS 令牌）和基于标识（使用 Microsoft Entra ID 或托管标识）访问数据。
对于基于凭据的访问，连接信息受到保护，避免脚本中的密钥泄露。
在工作室 UI 中浏览数据和复制/粘贴数据存储 URI。

数据存储 URI 是一个统一资源标识符，它是对 Azure 存储帐户中存储位置（路径）的引用。数据存储 URI 采用以下格式：

# Azure Machine Learning workspace details:
subscription = '<subscription_id>'
resource_group = '<resource_group>'
workspace = '<workspace>'
datastore_name = '<datastore>'
path_on_datastore = '<path>'

# long-form Datastore uri format:
uri = f'azureml://subscriptions/{subscription}/resourcegroups/{resource_group}/workspaces/{workspace}/datastores/{datastore_name}/paths/{path_on_datastore}'.

这些数据存储 URI 是文件系统规范 (fsspec) 的已知实现：本地、远程和嵌入式文件系统与字节存储的统一 Python 式接口。首先，请使用 pip 来安装 azureml-fsspec 包及其依赖项 azureml-dataprep 包。然后，可以使用 Azure 机器学习数据存储 fsspec 实现。

Azure 机器学习数据存储 fsspec 实现会自动处理 Azure 机器学习数据存储使用的凭据/标识直通。你可以在计算实例上避免脚本中的帐户密钥泄露和额外的登录过程。

例如，可以直接在 Pandas 中使用数据存储 URI。此示例演示了如何读取 CSV 文件：

import pandas as pd

df = pd.read_csv("azureml://subscriptions/<subid>/resourcegroups/<rgname>/workspaces/<workspace_name>/datastores/<datastore_name>/paths/<folder>/<filename>.csv")
df.head()

提示

为了免于记忆数据存储 URI 格式的麻烦，你可以使用以下步骤从工作室 UI 复制并粘贴数据存储 URI：

在左侧菜单中选择“数据”，然后选择“数据存储”选项卡。
选择你的数据存储名称，然后选择“浏览”。
找到要读入 Pandas 的文件/文件夹，然后选择它旁边的省略号 (...)。在菜单中选择“复制 URI”。可以选择要复制到笔记本/脚本中的“数据存储 URI”。

你还可以实例化 Azure 机器学习文件系统，以处理类似于文件系统的命令，如 ls、glob、exists、open。

ls() 方法会列出特定目录中的文件。可以使用 ls()、ls(.)、ls (<<folder_level_1>/<folder_level_2>) 列出文件。我们在相对路径中同时支持“.”和“..”。
方法 glob() 支持“*”和“**”通配。
方法 exists() 返回一个布尔值，该值指示当前根目录中是否存在指定的文件。
open() 方法会返回一个类似文件的对象，该对象可以传递给任何其他应该使用 Python 文件的库。代码还可以使用此对象，就像它是一个普通的 Python 文件对象一样。这些类似于文件的对象遵循 with 上下文的用法，如以下示例中所示：

from azureml.fsspec import AzureMachineLearningFileSystem

# instantiate file system using following URI
fs = AzureMachineLearningFileSystem('azureml://subscriptions/<subid>/resourcegroups/<rgname>/workspaces/<workspace_name>/datastore*s*/datastorename')

fs.ls() # list folders/files in datastore 'datastorename'

# output example:
# folder1
# folder2
# file3.csv

# use an open context
with fs.open('./folder1/file1.csv') as f:
    # do some process
    process_file(f)

通过 AzureMachineLearningFileSystem 上传文件

from azureml.fsspec import AzureMachineLearningFileSystem
# instantiate file system using following URI
fs = AzureMachineLearningFileSystem('azureml://subscriptions/<subid>/resourcegroups/<rgname>/workspaces/<workspace_name>/datastores/<datastorename>/paths/')

# you can specify recursive as False to upload a file
fs.upload(lpath='data/upload_files/crime-spring.csv', rpath='data/fsspec', recursive=False, **{'overwrite': 'MERGE_WITH_OVERWRITE'})

# you need to specify recursive as True to upload a folder
fs.upload(lpath='data/upload_folder/', rpath='data/fsspec_folder', recursive=True, **{'overwrite': 'MERGE_WITH_OVERWRITE'})

lpath 是本地路径，rpath 是远程路径。如果你在 rpath 中指定的文件夹尚不存在，我们将为你创建相应文件夹。

我们支持三种“覆盖”模式：

APPEND：如果目标路径中已有同名的文件，APPEND 将保留原始文件
FAIL_ON_FILE_CONFLICT：如果目标路径中存在同名的文件，FAIL_ON_FILE_CONFLICT 将引发错误
MERGE_WITH_OVERWRITE：如果目标路径中存在同名的文件，MERGE_WITH_OVERWRITE 将用新文件覆盖现有文件

通过 AzureMachineLearningFileSystem 下载文件

# you can specify recursive as False to download a file
# downloading overwrite option is determined by local system, and it is MERGE_WITH_OVERWRITE
fs.download(rpath='data/fsspec/crime-spring.csv', lpath='data/download_files/, recursive=False)

# you need to specify recursive as True to download a folder
fs.download(rpath='data/fsspec_folder', lpath='data/download_folder/', recursive=True)

示例

这些示例演示了在常见方案中使用文件系统规范的情况。

将单个 CSV 文件读取到 Pandas 中

你可以将单个 CSV 文件读取到 Pandas 中，如下所示：

import pandas as pd

df = pd.read_csv("azureml://subscriptions/<subid>/resourcegroups/<rgname>/workspaces/<workspace_name>/datastores/<datastore_name>/paths/<folder>/<filename>.csv")

将包含 CSV 文件的文件夹读取到 Pandas 中

Pandas read_csv() 方法不支持读取 CSV 文件的文件夹。若要处理此问题，请对 csv 路径进行 glob 操作，并使用 Pandas concat() 方法将它们连接到数据帧。下一个代码示例展示了如何使用 Azure 机器学习文件系统实现这种串联：

import pandas as pd
from azureml.fsspec import AzureMachineLearningFileSystem

# define the URI - update <> placeholders
uri = 'azureml://subscriptions/<subid>/resourcegroups/<rgname>/workspaces/<workspace_name>/datastores/<datastore_name>'

# create the filesystem
fs = AzureMachineLearningFileSystem(uri)

# append csv files in folder to a list
dflist = []
for path in fs.glob('/<folder>/*.csv'):
    with fs.open(path) as f:
        dflist.append(pd.read_csv(f))

# concatenate data frames
df = pd.concat(dflist)
df.head()

将 CSV 文件读入 Dask

此示例展示了如何将 CSV 文件读取到 Dask 数据帧中：

import dask.dd as dd

df = dd.read_csv("azureml://subscriptions/<subid>/resourcegroups/<rgname>/workspaces/<workspace_name>/datastores/<datastore_name>/paths/<folder>/<filename>.csv")
df.head()

将包含 Parquet 文件的文件夹读取到 Pandas 中

在 ETL 过程中，Parquet 文件通常会被写入一个文件夹中，然后该文件夹便可以发出与 ETL 相关的文件，例如进度、提交等。本例显示了从 ETL 过程创建的文件（这些文件以 _ 开头），这些文件接着可生成 Parquet 数据文件。

显示 parquet ETL 进程的屏幕截图。

在这些应用场景中，你将只读取文件夹中的 Parquet 文件，而忽略 ETL 过程文件。此代码示例显示了 glob 模式如何只能读取文件夹中的 Parquet 文件：

import pandas as pd
from azureml.fsspec import AzureMachineLearningFileSystem

# define the URI - update <> placeholders
uri = 'azureml://subscriptions/<subid>/resourcegroups/<rgname>/workspaces/<workspace_name>/datastores/<datastore_name>'

# create the filesystem
fs = AzureMachineLearningFileSystem(uri)

# append parquet files in folder to a list
dflist = []
for path in fs.glob('/<folder>/*.parquet'):
    with fs.open(path) as f:
        dflist.append(pd.read_parquet(f))

# concatenate data frames
df = pd.concat(dflist)
df.head()

从 Azure Databricks 文件系统 (`dbfs`) 访问数据

文件系统规范 (fsspec) 具有一系列已知实现，包括 Databricks 文件系统 (dbfs)。

若要访问 dbfs 资源中的数据，则需要：

实例名称，其格式为 adb-<some-number>.<two digits>.azuredatabricks.net。可以从 Azure Databricks 工作区的 URL 获取此名称。
个人访问令牌 (PAT)。有关创建 PAT 的详细信息，请访问使用 Azure Databricks 个人访问令牌进行身份验证

获取这些值后，必须在计算实例上为 PAT 令牌创建一个环境变量：

export ADB_PAT=<pat_token>

然后，可以访问 Pandas 中的数据，如以下示例所示：

import os
import pandas as pd

pat = os.getenv(ADB_PAT)
path_on_dbfs = '<absolute_path_on_dbfs>' # e.g. /folder/subfolder/file.csv

storage_options = {
    'instance':'adb-<some-number>.<two digits>.azuredatabricks.net', 
    'token': pat
}

df = pd.read_csv(f'dbfs://{path_on_dbfs}', storage_options=storage_options)

使用 `pillow` 读取图像

from PIL import Image
from azureml.fsspec import AzureMachineLearningFileSystem

# define the URI - update <> placeholders
uri = 'azureml://subscriptions/<subid>/resourcegroups/<rgname>/workspaces/<workspace_name>/datastores/<datastore_name>'

# create the filesystem
fs = AzureMachineLearningFileSystem(uri)

with fs.open('/<folder>/<image.jpeg>') as f:
    img = Image.open(f)
    img.show(）

PyTorch 自定义数据集示例

在此示例中，你将创建一个 PyTorch 自定义数据集来处理图像。我们假设存在 CSV 格式的批注文件，其整体结构如下：

image_path, label
0/image0.png, label0
0/image1.png, label0
1/image2.png, label1
1/image3.png, label1
2/image4.png, label2
2/image5.png, label2

子文件夹将根据所带标签存储这些图像：

/
└── 📁images
    ├── 📁0
    │   ├── 📷image0.png
    │   └── 📷image1.png
    ├── 📁1
    │   ├── 📷image2.png
    │   └── 📷image3.png
    └── 📁2
        ├── 📷image4.png
        └── 📷image5.png

自定义 PyTorch 数据集类必须实现三个函数：__init__、__len__ 和 __getitem__，如下所示：

import os
import pandas as pd
from PIL import Image
from torch.utils.data import Dataset

class CustomImageDataset(Dataset):
    def __init__(self, filesystem, annotations_file, img_dir, transform=None, target_transform=None):
        self.fs = filesystem
        f = filesystem.open(annotations_file)
        self.img_labels = pd.read_csv(f)
        f.close()
        self.img_dir = img_dir
        self.transform = transform
        self.target_transform = target_transform

    def __len__(self):
        return len(self.img_labels)

    def __getitem__(self, idx):
        img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
        f = self.fs.open(img_path)
        image = Image.open(f)
        f.close()
        label = self.img_labels.iloc[idx, 1]
        if self.transform:
            image = self.transform(image)
        if self.target_transform:
            label = self.target_transform(label)
        return image, label

然后，你可以将数据集进行实例化，如下所示：

from azureml.fsspec import AzureMachineLearningFileSystem
from torch.utils.data import DataLoader

# define the URI - update <> placeholders
uri = 'azureml://subscriptions/<subid>/resourcegroups/<rgname>/workspaces/<workspace_name>/datastores/<datastore_name>'

# create the filesystem
fs = AzureMachineLearningFileSystem(uri)

# create the dataset
training_data = CustomImageDataset(
    filesystem=fs,
    annotations_file='/annotations.csv', 
    img_dir='/<path_to_images>/'
)

# Prepare your data for training with DataLoaders
train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)

使用 `mltable` 库将数据具体化为 Pandas

mltable 库也可以帮助访问云存储中的数据。使用 mltable 将数据读取到 Pandas 中时，将采用以下常规格式：

import mltable

# define a path or folder or pattern
path = {
    'file': '<supported_path>'
    # alternatives
    # 'folder': '<supported_path>'
    # 'pattern': '<supported_path>'
}

# create an mltable from paths
tbl = mltable.from_delimited_files(paths=[path])
# alternatives
# tbl = mltable.from_parquet_files(paths=[path])
# tbl = mltable.from_json_lines_files(paths=[path])
# tbl = mltable.from_delta_lake(paths=[path])

# materialize to Pandas
df = tbl.to_pandas_dataframe()
df.head()

支持的路径

mltable 库支持从不同的路径类型读取表格数据：

位置	示例
本地计算机上的路径	`./home/username/data/my_data`
公共 http (s) 服务器上的路径	`https://raw.githubusercontent.com/pandas-dev/pandas/main/doc/data/titanic.csv`
Azure 存储上的路径	`wasbs://<container_name>@<account_name>.blob.core.windows.net/<path>` `abfss://<file_system>@<account_name>.dfs.core.windows.net/<path>`
一个长格式 Azure 机器学习数据存储	`azureml://subscriptions/<subid>/resourcegroups/<rgname>/workspaces/<wsname>/datastores/<name>/paths/<path>`

备注

mltable 处理 Azure 存储和 Azure 机器学习数据存储上的路径的用户凭据直通。如果你无权访问底层存储上的数据，那么你将无法访问这些数据。

文件、文件夹和 glob

mltable 支持从以下对象读取：

文件，例如 abfss://<file_system>@<account_name>.dfs.core.windows.net/my-csv.csv
文件夹，例如 abfss://<file_system>@<account_name>.dfs.core.windows.net/my-folder/
glob 模式，例如 abfss://<file_system>@<account_name>.dfs.core.windows.net/my-folder/*.csv
文件、文件夹和/或 glob 模式的组合

mltable 的灵活性支持将数据从本地和云存储资源的组合以及文件/文件夹/glob 的组合具体化为单个数据帧。例如：

path1 = {
    'file': 'abfss://filesystem@account1.dfs.core.windows.net/my-csv.csv'
}

path2 = {
    'folder': './home/username/data/my_data'
}

path3 = {
    'pattern': 'abfss://filesystem@account2.dfs.core.windows.net/folder/*.csv'
}

tbl = mltable.from_delimited_files(paths=[path1, path2, path3])

支持的文件格式

mltable 支持以下文件格式：

带分隔符的文本（例如 CSV 文件）：mltable.from_delimited_files(paths=[path])
Parquet： mltable.from_parquet_files(paths=[path])
Delta：mltable.from_delta_lake(paths=[path])
JSON 行格式：mltable.from_json_lines_files(paths=[path])

示例

读取 CSV 文件

使用特定详细信息更新此代码片段中的占位符 (<>)：

import mltable

path = {
    'file': 'abfss://<filesystem>@<account>.dfs.core.windows.net/<folder>/<file_name>.csv'
}

tbl = mltable.from_delimited_files(paths=[path])
df = tbl.to_pandas_dataframe()
df.head()

使用特定详细信息更新此代码片段中的占位符 (<>)：

import mltable

path = {
    'file': 'wasbs://<container>@<account>.blob.core.windows.net/<folder>/<file_name>.csv'
}

tbl = mltable.from_delimited_files(paths=[path])
df = tbl.to_pandas_dataframe()
df.head()

使用特定详细信息更新此代码片段中的占位符 (<>)：

import mltable

path = {
    'file': 'azureml://subscriptions/<subid>/resourcegroups/<rgname>/workspaces/<wsname>/datastores/<name>/paths/<folder>/<file>.csv'
}

tbl = mltable.from_delimited_files(paths=[path])
df = tbl.to_pandas_dataframe()
df.head()

提示

为了免于记忆数据存储 URI 格式的麻烦，你可以使用以下步骤从工作室 UI 复制并粘贴数据存储 URI：

在左侧菜单中选择“数据”，然后选择“数据存储”选项卡。
选择你的数据存储名称，然后选择“浏览”。
找到要读入 Pandas 的文件/文件夹，然后选择它旁边的省略号 (...)。在菜单中选择“复制 URI”。可以选择要复制到笔记本/脚本中的“数据存储 URI”。

import mltable

path = {
    'file': 'https://raw.githubusercontent.com/pandas-dev/pandas/main/doc/data/titanic.csv'
}

tbl = mltable.from_delimited_files(paths=[path])
df = tbl.to_pandas_dataframe()
df.head()

读取文件夹中的 Parquet 文件

此示例演示了 mltable 如何使用 glob 模式（例如通配符）来确保仅读取 Parquet 文件。

使用特定详细信息更新此代码片段中的占位符 (<>)：

import mltable

path = {
    'pattern': 'abfss://<filesystem>@<account>.dfs.core.windows.net/<folder>/*.parquet'
}

tbl = mltable.from_parquet_files(paths=[path])
df = tbl.to_pandas_dataframe()
df.head()

使用特定详细信息更新此代码片段中的占位符 (<>)：

import mltable

path = {
    'pattern': 'wasbs://<container>@<account>.blob.core.windows.net/<folder>/*.parquet'
}

tbl = mltable.from_delimited_files(paths=[path])
df = tbl.to_pandas_dataframe()
df.head()

使用特定详细信息更新此代码片段中的占位符 (<>)：

import mltable

path = {
    'pattern': 'azureml://subscriptions/<subid>/resourcegroups/<rgname>/workspaces/<wsname>/datastores/<name>/paths/<folder>/*.parquet'
}

tbl = mltable.from_parquet_files(paths=[path])
df = tbl.to_pandas_dataframe()
df.head()

提示

为了免于记忆数据存储 URI 格式的麻烦，你可以使用以下步骤从工作室 UI 复制并粘贴数据存储 URI：

在左侧菜单中选择“数据”，然后选择“数据存储”选项卡。
选择你的数据存储名称，然后选择“浏览”。
找到要读入 Pandas 的文件/文件夹，然后选择它旁边的省略号 (...)。在菜单中选择“复制 URI”。可以选择要复制到笔记本/脚本中的“数据存储 URI”。

使用特定详细信息更新此代码片段中的占位符 (<>)：

重要

若要在公共 HTTP 服务器上实现 glob 模式，你需要文件夹级别的访问权限。

import mltable

path = {
    'pattern': '<https_address>/<folder>/*.parquet'
}

tbl = mltable.from_parquet_files(paths=[path])
df = tbl.to_pandas_dataframe()
df.head()

读取数据资产

本部分介绍了如何访问 Pandas 中的 Azure 机器学习数据资产。

表资产

如果你以前在 Azure 机器学习中创建了一个表资产（mltable 或 V1 TabularDataset），可以使用以下代码将其加载到 Pandas 中：

import mltable
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

ml_client = MLClient.from_config(credential=DefaultAzureCredential())
data_asset = ml_client.data.get(name="<name_of_asset>", version="<version>")

tbl = mltable.load(f'azureml:/{data_asset.id}')
df = tbl.to_pandas_dataframe()
df.head()

文件资产

如果你注册了一个文件资产（例如，一个 CSV 文件），可以使用以下代码将该资产读取到 Pandas 数据帧中：

import mltable
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

ml_client = MLClient.from_config(credential=DefaultAzureCredential())
data_asset = ml_client.data.get(name="<name_of_asset>", version="<version>")

path = {
    'file': data_asset.path
}

tbl = mltable.from_delimited_files(paths=[path])
df = tbl.to_pandas_dataframe()
df.head()

文件夹资产

如果你注册了一个文件夹资产（uri_folder 或 V1 FileDataset，例如一个包含 CSV 文件的文件夹），可以使用以下代码将该资产读取到 Pandas 数据帧中：

import mltable
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

ml_client = MLClient.from_config(credential=DefaultAzureCredential())
data_asset = ml_client.data.get(name="<name_of_asset>", version="<version>")

path = {
    'folder': data_asset.path
}

tbl = mltable.from_delimited_files(paths=[path])
df = tbl.to_pandas_dataframe()
df.head()

有关使用 Pandas 读取和处理大量数据的说明

提示

Pandas 不是为处理大型数据集而设计的。 Pandas 只能处理计算实例内存可容纳的数据。

对于大型数据集，建议使用 Azure 机器学习托管的 Spark。这会提供 PySpark Pandas API。

在纵向扩展到远程异步作业之前，你可能需要快速迭代大型数据集的较小子集。 mltable 提供内置功能用于通过 take_random_sample 方法获取大型数据的样本：

import mltable

path = {
    'file': 'https://raw.githubusercontent.com/pandas-dev/pandas/main/doc/data/titanic.csv'
}

tbl = mltable.from_delimited_files(paths=[path])
# take a random 30% sample of the data
tbl = tbl.take_random_sample(probability=.3)
df = tbl.to_pandas_dataframe()
df.head()

还可以使用以下操作获取大型数据的子集：

使用 `azcopy` 实用工具下载数据

使用 azcopy 实用工具将数据下载到主机（本地计算机、云 VM、Azure 机器学习计算实例等）的本地 SSD 并使用本地文件系统。预安装在 Azure 机器学习计算实例上的 azcopy 实用工具将处理数据下载。如果你未使用 Azure 机器学习计算实例或 Data Science Virtual Machine (DSVM)，则可能需要安装 azcopy。有关详细信息，请访问 azcopy。

注意

我们不建议将数据下载到计算实例上的 /home/azureuser/cloudfiles/code 位置。此位置旨在用于存储笔记本和代码项目，而非数据。在训练时，从此位置读取数据会产生很高的性能开销。相反，我们建议将数据存储在 home/azureuser（计算节点的本地 SSD）中。

打开终端并创建一个新目录，例如：

mkdir /home/azureuser/data

使用以下命令登录到 azcopy：

azcopy login

接下来，可以使用存储 URI 复制数据

SOURCE=https://<account_name>.blob.core.windows.net/<container>/<path>
DEST=/home/azureuser/data
azcopy cp $SOURCE $DEST

通过

在交互式开发期间从 Azure 云存储访问数据

先决条件

从数据存储 URI 访问数据，如文件系统

通过 AzureMachineLearningFileSystem 上传文件

通过 AzureMachineLearningFileSystem 下载文件

示例

将单个 CSV 文件读取到 Pandas 中

将包含 CSV 文件的文件夹读取到 Pandas 中

将 CSV 文件读入 Dask

将包含 Parquet 文件的文件夹读取到 Pandas 中

从 Azure Databricks 文件系统 (`dbfs`) 访问数据

使用 `pillow` 读取图像

PyTorch 自定义数据集示例

使用 `mltable` 库将数据具体化为 Pandas

支持的路径

文件、文件夹和 glob

支持的文件格式

示例

读取 CSV 文件

读取文件夹中的 Parquet 文件

读取数据资产

表资产

文件资产

文件夹资产

有关使用 Pandas 读取和处理大量数据的说明

使用 `azcopy` 实用工具下载数据

后续步骤

反馈

其他资源

通过

在交互式开发期间从 Azure 云存储访问数据

先决条件

从数据存储 URI 访问数据，如文件系统

通过 AzureMachineLearningFileSystem 上传文件

通过 AzureMachineLearningFileSystem 下载文件

示例

将单个 CSV 文件读取到 Pandas 中

将包含 CSV 文件的文件夹读取到 Pandas 中

将 CSV 文件读入 Dask

将包含 Parquet 文件的文件夹读取到 Pandas 中

从 Azure Databricks 文件系统 (dbfs) 访问数据

使用 pillow 读取图像

PyTorch 自定义数据集示例

使用 mltable 库将数据具体化为 Pandas

支持的路径

文件、文件夹和 glob

支持的文件格式

示例

读取 CSV 文件

读取文件夹中的 Parquet 文件

读取数据资产

表资产

文件资产

文件夹资产

有关使用 Pandas 读取和处理大量数据的说明

使用 azcopy 实用工具下载数据

后续步骤

反馈

其他资源

从 Azure Databricks 文件系统 (`dbfs`) 访问数据

使用 `pillow` 读取图像

使用 `mltable` 库将数据具体化为 Pandas

使用 `azcopy` 实用工具下载数据