解压缩已压缩的数据集

项目
05/06/2019

从用户存储中的 zip 包解压缩数据集

类别：数据输入和输出

注意

适用于：机器学习 Studio (经典) 应用

可在 Azure 机器学习设计器中获取类似的拖放模块。

模块概述

本文介绍如何使用机器学习 Studio (经典 ) 中的解压缩压缩数据集模块以压缩格式上传数据和脚本文件，然后解压缩这些文件以用于试验。

本模块的目的是通过以压缩格式保存和上传数据文件，减少处理非常大的数据集时数据传输时间。通常，如果数据集太大，因此要使用压缩进行上传，可将上传时间和关联成本降至最低，则压缩文件是一个不错的选择。

该模块将工作区中的数据集用作输入。数据集必须已以压缩格式上传。然后，该模块解压缩数据集，并将数据添加到工作区。

如何使用解压缩压缩数据集

本部分介绍如何准备数据，然后在机器学习 Studio (经典) 。

步骤 1。准备文件

在上传文件之前，请确保该文件的数据可用于以下机器学习：

确保文件中的数据使用 UTF-8 编码。

如果文件足够小，可以在记事本中打开该文件，然后将文件保存为所需的编码。许多其他文本编辑器提供类似的功能。对于 CSV 文件，可以使用Excel或导出命令指定文件格式和编码。
验证数据文件是否使用 受支持的格式，例如 CSV、TSV、ARFF 或 SVMLight。
通过将数据文件添加到或中的 .ZIP压缩数据。GZ 格式存档文件。不支持其他存档类型。
删除密码保护。如果任何文件或压缩文件夹本身已加密或受密码保护，则必须在上传文件之前解锁或解密该文件。模块无法检测加密的数据类型，并且不支持从任意客户端输入密码的对话框。

步骤 2. Upload数据集到工作区

接下来，将压缩的数据集上传到试验工作区。

单击 "新建"，选择 "数据集"，然后选择" 从本地文件"。
找到要上传的压缩文件。选择文件时，类型应自动设置为 Zip 文件 (.zip) 。

步骤 3. 将压缩数据集添加到试验

完全上传数据集后，以压缩格式将其添加到试验。

在机器学习 Studio (经典) 左侧导航窗格中，选择"保存的数据集"，然后展开"我的数据集"。
找到刚上传的压缩数据集，并将其拖动到试验画布。

步骤 4. 解压缩数据集

最后一步是解压缩数据集。

连接压缩数据集到"解压缩的数据集"模块的输入。
在 "要解压缩的数据集"中，键入要解压缩的单个数据集的名称。
- 如果将名为 Sheet1 的工作表保存为Excel名为 Test.csv的 CSV 文件，则数据集的名称Test.csv而不是 Sheet1。
- 在压缩之前，在"要解压缩的数据集"文本框中键入的名称必须与原始文件的名称完全相同，包括文件扩展名。例如，如果要基于文本文件文件解压缩数据集Users.txt，请键入 Users.txt而不是 Users。
- 如果将多个文件放入一个压缩文件夹中，则必须一次解压缩一个数据集。
提示

如果将属性留空，则假定压缩的存档文件仅包含一个源文件，则模块会从压缩文件获取文件名。如果压缩存档包含多个文件，则引发运行时错误。
对于 "数据集文件格式"，请指定数据集的原始格式：即压缩之前的格式。

可以上传和解压缩使用以下任何格式创建的数据集：CSV、ARFF、TSV、SvmLight。

如果此属性留空，则模块使用源文件名标识数据集。
如果原始数据集具有标题行，请选择选项"文件具有标题行"。否则，第一行数据将用作标头。如果这不是你想要的内容，则先添加标头，再输入。

此选项仅适用于 .CSV 和。TSV 文件。

注意

如果更改文件格式，将重置此选项。
如果文件已压缩，请使用 "压缩 文件格式"选项指定用于压缩或展开文件的算法。

目前.ZIP GZ (或 Gzip) 格式。
运行试验。

结果

若要验证数据是否正确导入，请右键单击"解压缩的压缩数据集 " 模块，然后选择"可视化 " 。
若要更改数据集的名称，请右键单击"解压缩的 压缩数据集" 模块，然后选择" 另存为数据集"。此时，可以键入其他名称。

如果要从单个 ZIP 文件解压缩多个数据集，则此选项非常方便。

示例

为了演示此模块的工作原理，我们创建了一个示例 .ZIP文件，其中包含四个不同的 CSV 文件。所有文件都从 Excel。

文件名	说明
names-uni.csv	包含列标题的 Unicode 文件
names-utf.csv	包含列标题的 UTF-8 文件
nonames-uni.csv	没有列标题的 Unicode 文件
nonames-utf8.csv	没有列标题的 UTF-8 文件

上传了整个压缩文件，然后使用这些设置运行了"解压缩压缩数据集"模块四次，以提取四个文件中的每个文件：

要解压缩的数据集 = names-uni.csv， 文件具有标题行 = TRUE
要解压缩的数据集 = names-utf8.csv， 文件具有标题行 = TRUE
要解压缩的数据集 = nonames-uni.csv， 文件具有标题行 = FALSE
要解压缩的数据集 = nonames-utf8.csv， 文件具有标题行 = FALSE

结果与预期一样：

文件名	Upload结果
names-uni.csv	错误 0049：分析文件时出错。文件不是 Unicode (UTF-8) 编码
names-utf8.csv	成功。使用源文件中的原始列名。
nonames-uni.csv	错误 0049：分析文件时出错。文件不是 Unicode (UTF-8) 编码
nonames-utf8.csv	成功。列名 Col1、col2、...coln 会自动添加到数据集。

注意

如果使用选项"文件具有标题行 = TRUE"，并且源文件实际上没有列标题，则第一行数据将用作列标题。

技术说明

不能使用此模块将压缩的 R 包解压缩到工作区中。 R 包必须上传并用作压缩文件。

若要详细了解如何使用压缩的 R 包，请参阅执行 R 脚本。

注意

对 UTF-8 和 Unicode 的区别感到困惑？请参阅此维基百科文章：什么是 UTF-8

模块参数

名称	范围	类型	默认	说明
压缩文件格式	Zip Gzip	压缩规则	Zip	用于压缩或展开文件的压缩算法。
要解压缩的数据集	任意	字符串	无	要注册到 Azure ML Studio (经典) 。如果未指定数据集的名称，则从压缩文件的文件名获取该名称。
数据集文件格式	CSV TSV ARFF SVMLIGHT	文件格式	CSV	压缩文件中数据集的文件格式
文件有标题行	TRUE/FALSE	布尔	False	只有在 CSV/TSV 文件具有标题行时，才将设置为 True

预期输入

名称	类型	说明
数据集	Zip	包含数据集的压缩文件

输出

名称	类型	说明
结果数据集	数据表	输出数据集

另请参阅

数据输入和输出

通过