Dosyadan içeri Azure Blob Depolama

Makale
09/28/2020

Önemli

Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.

1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.

Makine öğrenmesi projelerini ML Studio'dan (klasik) Azure Machine Learning.
Daha fazla bilgi Azure Machine Learning.

ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.

Bu konu başlığında, verileri bir makine öğrenmesi denemesinde kullanmak üzere Machine Learning Studio'daki (klasik) Verileri İçeri Aktarma modülünün Azure Blob Depolama'den veri okumak için nasıl kullan açıklanmıştır.

Not

Uygulama: Machine Learning Studio (yalnızca klasik)

Benzer sürükle ve bırak modülleri tasarımcıda da Azure Machine Learning kullanılabilir.

Azure Blob Hizmeti, ikili veriler de dahil olmak üzere büyük miktarlarda veri depolamak için kullanılır. Azure bloblarına HTTP veya HTTPS kullanarak her yerden erişilebilir. Blob depolamanın türüne bağlı olarak kimlik doğrulaması gerekebilir.

Genel bloblara herkes veya SAS URL'si olan kullanıcılar tarafından erişilebilir.
Özel bloblar için oturum açma bilgileri ve kimlik bilgileri gerekir.

Blob depolamadan içeri aktarma için verilerin blok blobu biçimini kullanan bloblarda depolanması gerekir. Blobda depolanan dosyaların virgülle ayrılmış (CSV) veya sekmeyle ayrılmış (TSV) biçimlerini kullanması gerekir. Dosyayı okuduğunda, kayıtlar ve geçerli öznitelik başlıkları bir veri kümesi olarak belleğe satır olarak yüklenir.

Not

"Güvenli Aktarım Gerekli" seçeneği etkinse Azure Blob Depolama içeri aktarma modülü, veri içeri aktarma hesabına bağlanmayı desteklemez.

Machine Learning ile birlikte kullanımı desteklenen blob depolama türleriyle ilgili diğer kısıtlamalar Machine Learning teknik notlar bölümüne bakın.

İpucu

Verileri desteklenmiyor bir biçimde içeri aktarmaya mı ihtiyacınız var? Python veya R kullanabilirsiniz. Şu örnek için bkz. Azure Yapay Zeka Galerisi: Dosyadan metin olmayan Azure Blob Depolama

Azure bloblarından verileri içeri aktarma

Şemanın beklendiği gibi olduğundan emin olmak için içeri aktarmadan önce verilerinizin profilini oluşturmanızı kesinlikle öneririz. İçeri aktarma işlemi şemayı belirlemek için birkaç baş satırı tarar, ancak sonraki satırlarda ek sütunlar veya hatalara neden olan veriler olabilir.

Veri İçeri Aktarma Sihirbazı'nı kullanma

Modülde depolama seçeneği seçmenize, mevcut abonelikler ve hesaplar arasından seçim yaptınız ve tüm seçenekleri hızlıca yapılandırmanıza yardımcı olan yeni bir sihirbaz bulunur.

Denemenize Veri İçeri Aktarma modülünü ekleyin. Modülü Studio'da (klasik) Veri Girişi ve Çıktı kategorisinde bulabilirsiniz.
Verileri İçeri Aktarma Sihirbazı'nı Başlat'a tıklayın ve yönergeleri izleyin.
Yapılandırma tamamlandığında, verileri denemenize gerçekten kopyalamak için modüle sağ tıklayın ve Seçili Çalıştır'ı seçin.

Mevcut bir veri bağlantısını düzenlemeniz gerekirse sihirbaz, sıfırdan yeniden başlamanız gerekmamak için önceki tüm yapılandırma ayrıntılarını yükler.

Verileri İçeri Aktarma modülünde özellikleri el ile ayarlama

Aşağıdaki adımlarda, içeri aktarma kaynağının el ile nasıl yapılandırılacakları açıkmektedir.

Denemenize Veri İçeri Aktarma modülünü ekleyin. Bu modülü Studio'da (klasik) Veri Girişi ve Çıkışı kategorisinde bulabilirsiniz.
Veri kaynağı için Veri kaynağı'Azure Blob Depolama.
Kimlik doğrulama türü için bilgilerin genel veri kaynağı olarak sağlandı olduğunu biliyorsanız Genel (SAS URL'si) seçin. SAS URL'si, Azure depolama yardımcı programını kullanarak oluşturabilirsiniz genel erişim için zaman sınırlı bir URL'dir.

Aksi takdirde Hesap'ı seçin.
Verileriniz SAS URL'si kullanılarak erişilebilen bir genel blobda yer aldısa, URL dizesi indirme ve kimlik doğrulaması için gereken tüm bilgileri içerdiği için ek kimlik bilgilerine ihtiyacınız yoktur.

URI alanına hesabı ve genel blobu tanımlayan tam URI'yi yazın veya yapıştırın.

Not

SAS URL'si ile erişilebilen bir sayfada veriler yalnızca şu biçimler kullanılarak depolanmış olabilir: CSV, TSV ve ARFF.
Verileriniz özel bir hesapta ise , hesap adı ve anahtar da dahil olmak üzere kimlik bilgilerini sağlamak gerekir.
- Hesap adı için, erişmek istediğiniz blobu içeren hesabın adını yazın veya yapıştırın.
  
  Örneğin, depolama hesabının tam URL'si ise https://myshared.blob.core.windows.netyazın myshared.
- Hesap anahtarı için, hesapla ilişkili depolama erişim anahtarını yapıştırın.
  
  Erişim anahtarını bilmiyorsanız şu makaledeki "Azure depolama hesaplarınızı yönetme" bölümüne bakın: Azure Depolama Hesapları hakkında.
Kapsayıcı , dizin veya blob yolu için, almak istediğiniz belirli blob'un adını yazın.

Örneğin,data01.csvadlı bir dosyayı mymldata adlı bir hesapta kapsayıcı trainingdata dosyasına yükledikten sonra dosyanın tam URL'si şöyle olur: . https://mymldata.blob.core.windows.net/trainingdata/data01.txt

Bu nedenle Kapsayıcının, dizinin veya blob'un yolu alanına şunları yazın: trainingdata/data01.csv

Birden çok dosya içeri aktaracak şekilde joker karakter * (yıldız işareti) veya (soru işareti) ? kullanabilirsiniz.

Örneğin, kapsayıcının trainingdata uyumlu bir biçimde birden çok dosya içerdiğini varsayarak, dataile başlayan tüm dosyaları okumak ve bunları tek bir veri kümesinde bir bütün olarak kullanmak için aşağıdaki belirtimi kullanabilirsiniz:

trainingdata/data*.csv

Kapsayıcı adlarında joker karakterler kullanılamaz. Birden çok kapsayıcıdan dosyaları içeri aktarmaya ihtiyacınız varsa, her kapsayıcı için Verileri İçeri Aktarma modülünün ayrı bir örneğini kullanın ve ardından Satır Ekle modülünü kullanarak veri kümelerini birleştirin.

Not

Önbelleğe alınmış sonuçları kullan seçeneğini seçtiyseniz, kapsayıcıda dosyalarda yaptığınız tüm değişiklikler denemede verilerin yenilenmesine neden olmaz.
Blob dosya biçimi için blobda depolanan verilerin biçimini belirten bir seçenek belirleyin; böylece blob Machine Learning uygun şekilde işleyene bir seçenek belirleyin. Aşağıdaki biçimler de desteklemektedir:
- CSV: Virgülle ayrılmış değerler (CSV), dosyaları içeri ve dışarı aktarma için varsayılan depolama biçimi Machine Learning. Veriler zaten bir üst bilgi satırı içeriyorsa, Dosyada üst bilgi satırı var seçeneğinin seçili olduğundan emin olun, yoksa üst bilgi bir veri satırı olarak kabul edilir.
  
  Machine Learning'de kullanılan CSV biçimi hakkında daha fazla bilgi için bkz. [CSV'ye dönüştürme](csv'ye csv.md
- TSV: Sekmeyle ayrılmış değerler (TSV), birçok makine öğrenmesi aracı tarafından kullanılan bir biçimdir. Veriler zaten bir üst bilgi satırı içeriyorsa, Dosyada üst bilgi satırı var seçeneğinin seçili olduğundan emin olun, yoksa üst bilgi bir veri satırı olarak kabul edilir.
  
  Verilerde kullanılan TSV biçimi hakkında daha fazla bilgi Machine Learning bkz. TSV'ye dönüştürme.
- ARFF: Bu biçim, dosyaların Weka araç kümesi tarafından kullanılan biçimde içeri aktarnarak içeri aktarın. Daha fazla bilgi için bkz. ARFF'ye Dönüştürme.
- Belirtilen kodlamaya sahip CSV: Farklı bir alan ayırıcısı kullanılarak hazırlanmış olan CSV dosyaları veya kaynak UTF-8'den farklı bir karakter kodlaması kullanıyor olabilirse bu seçeneği kullanın. Bu biçim SAS URL'sinde depolanan dosyalar için desteklenmiyor.
- Excel: Bu seçeneği, çalışma kitaplarında depolanan Excel veri okumak için Azure Blob Depolama. Excel biçimi SAS URL'sinde depolanan dosyalar için desteklenmiyor.
Özel kodlamalara sahip CSV dosyaları için, karakterlerin düzgün içeri aktarmasını kontrol etmek için şu ek seçenekleri ayarlayın:
- Virgül sınırlayıcı biçimi: Virgül sekmesi karakteri ve noktalı virgül dahil olmak üzere alan ayırıcısı olarak kullanılan ortak karakterler , listesinden seçim yapın ;.
- Kodlama biçimi: Okumak istediğiniz dosya tarafından kullanılan karakter kodlamasını seçin. Desteklenen kodlamaların listesi için Teknik notlar bölümüne bakın.
- Dosyada üst bilgi satırı var: Veriler zaten bir üst bilgi satırı içeriyorsa bu seçeneği belirleyin. Aksi takdirde üst bilgi bir veri satırı olarak içe aktarılır.
Daha Excel için, Excel dosyasının depolandığı hesabı ve kapsayıcıyı belirttikten sonra, aşağıdaki seçenekleri kullanarak Excel biçimi ve aralığını veya tablo adını belirtmeniz gerekir:
- Excel biçimi: Verilerin çalışma sayfası aralığında mı yoksa Excel çalışma sayfası Excel gösterir.
- Excel sayfası veya katıştırılmış tablo: Excel sayfası seçeneğini belirtirseniz çalışma sayfasının adını (sekme adı) veya çalışma kitabına eklenmiş bir tablo belirtin. Sayfadan gelen tüm veriler okunur; bir hücre aralığı belirtemezseniz. Tablo adını Excel, sayfada yalnızca bir tablo olsa bile sayfa adını değil tablo adını alasınız. Tablo adını görüntülemek için tablonun içine tıklayın ve ardından Tablo Araçları sekmesinde Tablo Adı özelliğini görüntüleyin.
Denemeyi çalıştırın.

Örnekler

Makine öğrenmesi denemelerinde Azure Blob Depolama kullanmayı öğrenmek için bkz. Azure Galerisi:

Haber Kategorilere Ayırma örneği: Birden çok veri kümesinden birden çok veri kümesi Azure Blob Depolama.
Öğrenci Performansı örneği: TSV biçiminde depolanan verileri veri kaynağından Azure Blob Depolama.

Teknik notlar

Bu bölümde uygulama ayrıntıları, ipuçları ve sık sorulan soruların yanıtları yer almaktadır.

Sık sorulan sorular

Veri içeri aktarmayı otomatik olarak tamamlamanın bir yolu var mı?

Yeni verileri almak ve bir denemeyi düzenli olarak güncelleştirmek için bunu kullanmanın çeşitli yolları vardır. Kaynak verilerin kaynağına ve veri taşıma için tercih edilen araçlara çok bağlıdır. Bazı fikirler için bu makalelere bakın.

Denemenin yürütülmesinin otomatik olarak otomatik olarak oluşturulması için bir web hizmeti oluşturulması gerekir. Bu hizmet daha sonra bir görev zamanlayıcı, PowerShell veya başka bir özel kod tarafından tetiklenir.

Var olan bir blobdan giriş verilerini okumaya çalıştım ve neden hata alıyorum?

Birkaç olası sorun vardır:

Blob desteklenmeyen bir biçim kullanıyor
Hesabın kendisi, henüz Machine Learning tarafından destek Machine Learning.

Desteklenmeyen biçim: Azure Blob Depolama'den okurken Machine Learning blob'un blok blobu biçimini kullanması gerekir ve bu da büyük blobları verimli bir şekilde karşıya yüklemenizi sağlar. Örneğin, blob depolamaya bir CSV dosyası yüklersiniz, dosya blok blobu olarak depolanır. Ancak, program aracılığıyla bir blob dosyası sanız, desteklenen AppendBlob türü gibi farklı bir blob türü oluşturabilirsiniz.

Geçici bir çözüm olarak blok blobu türünü öneririz .

Önemli

Blob oluşturulduktan sonra tür değiştirilemez.

Daha fazla bilgi için bkz . Blok Bloblarını, Ekleme Bloblarını ve Sayfa Bloblarını Anlama.

Desteklenmeyen hesap türü: İçeri ve dışarı aktarma modülleri yalnızca Klasik dağıtım modeli kullanılarak oluşturulan Azure depolama hesaplarından veri okuyabilir ve yazabilir. Başka bir deyişle, Azure Blob Depolama ve cool depolama erişim katmanları sunan yeni depolama hesabı türü henüz desteklenmiyor. Genel olarak, bu hizmet seçeneği kullanılabilir hale gelmeden önce oluşturduğunuz tüm Azure depolama hesapları etkilenmeyecektir.

Machine Learning ile kullanmak üzere yeni bir hesap oluşturmanız gerekirse Dağıtım modeli için Klasik'i seçin veya Resource Manager'ı ve Hesap türü için Blob depolama yerine Genel amaçlı'ı seçin.

Aynı verileri gereksiz yere yeniden yüklemeden nasıl kaçınabilirsiniz?

Kaynak verileriniz değişirse, Verileri İçeri Aktar'ın yeniden çalıştırarak veri kümenizi yeniler ve yeni veriler eklersiniz. Ancak denemeyi her çalıştırsanız kaynaktan yeniden okumak istemiyorsanız Önbelleğe alınmış sonuçları kullan seçeneğini TRUE olarak belirleyin . Bu seçenek TRUE olarak ayarlanırsa modül, denemenin daha önce aynı kaynak ve aynı giriş seçeneklerini kullanarak çalıştırıp çalıştırma olmadığını kontrol eder ve önceki bir çalıştırma bulunursa verileri kaynaktan yeniden yükleme yerine önbellekte veriler kullanılır.

Kaynaktan okunan verileri filtreleye miyim?

Verileri İçeri Aktarma modülü, veriler okundu olarak filtrelemeyi desteklemez.

Verileri Machine Learning Studio'ya (klasik) yükledikten sonra verileri şu araçlarla değiştirebilirsiniz:

Verileri filtrelemek veya dönüştürmek için özel R betiği kullanın.
Verileri Bölme modülünü göreli bir ifadeyle veya normal ifadeyle kullanarak istediğiniz verileri yalıtıp bir veri kümesi olarak kaydedin.

Size gerekenden daha fazla veri yüklemiş olduğunu bulursanız, yeni bir veri kümesi okuyarak veri kümesi üzerine yazabilirsiniz ve eski ve daha büyük verilerle aynı adla kaydedilebilir.

İçeri aktarma işlemi, sonda yeni bir satır bulduğunda veri kümemin sonuna neden fazladan bir satır ekler?

Verileri İçeri Aktarma modülü, ardından boş bir satır veya sonda yeni bir satır karakteri gelen bir veri satırıyla karşılaşırsa tablonun sonuna eksik değerleri içeren ek bir satır eklenir.

Sonda yeni bir satırı yeni satır olarak yorumlamanın nedeni, Verileri İçeri Aktarma'nın gerçek bir boş satır ile dosyanın sonunda ENTER tuşuna basan kullanıcı tarafından oluşturulan boş bir satır arasındaki farkı belirleyelemeyektir.

Bazı makine öğrenmesi algoritmaları eksik verileri desteklemesi ve bu nedenle bu satırı bir durum olarak (sonuçları etkileyebilecek) olarak değerlendirmesini sağlar. Eksik değerleri kontrol etmek ve gerektiğinde bunları kaldırmak için Eksik Verileri Temizleme'ye ihtiyaç vardır.

Boş satırları denetlemeden önce, kaynak verilerde gerçek eksik değerleri temsil eden kısmi eksik değerler içeren son boş satırı diğer satırlardan ayırmak da iyi olabilir. Bunu yapmak için Verileri Böl'i kullanarak veri kümelerini bölebilirsiniz. Son satırdan başka tüm satırları okumak için Baş N satır seçin seçeneğini belirleyin.

Farklı coğrafi bölgelerden yüklenen verileri içeri aktarıyorsanız ne olur?

Blob veya tablo depolama hesabı, makine öğrenmesi denemesi için kullanılan işlem düğümünden farklı bir bölgede bulunuyorsa veri erişimi daha yavaş olabilir. Ayrıca, abonelikte veri giriş ve çıkış için ücret tahsil edilecektir.

Kaynak dosyamda bazı karakterler neden üst bilgide düzgün görüntülenmiyor?

Machine Learning genellikle UTF-8 kodlamasını destekler. Kaynak dosyanız başka bir kodlama türü kullanıyorsa, karakterler doğru şekilde içe aktarılamayabilirsiniz.

Verileri doğru yükleme konusunda sorun varsa, KODLAMA ile CSV seçeneğini kullanmayı deneyin ve özel sınırlayıcılar, kod sayfası vb. için parametreleri belirtin.

İçeri aktarma sırasında değiştirilen yasak karakterler veya karakterler var mı?

Öznitelik verileri tırnak işaretleri veya atlandı karakter dizileri içeriyorsa, bu tür karakterlerin kuralları kullanılarak Microsoft Excel. Diğer tüm karakterler, aşağıdaki belirtimler bir kılavuz olarak kullanılarak ele alınan bir kılavuzdur: RFC 4180.

Çok büyük bir dosyayı içeri aktarmam gerekiyor. Önerilen yöntem nedir?

Yerel veri kümelerini doğrudan Machine Learning için boyut sınırı 1,98 GB'tır. Çok büyük dosyalarda, deneme hesabınıza veri kümesi ekleme işleminin tamamlanması uzun sürebilir.

Gb başına 10 dakika veya daha fazla veri tahmini.
Performansı iyileştirmek için, Azure Depolama Hizmeti'nin kullandığı aynı bölgede bir ML hesabı kullanın.

10 GB'a kadar olan büyük dosyaları karşıya yüklemek için birkaç yaklaşım vardır:

Sıkıştırılmış bir dosya kullanın. Veri kümelerini Sıkıştırılmış biçimde Azure ML Studio'ya (klasik) yükleyebilir ve ardından Sıkıştırılmış Veri Kümelerini Açma modülünü kullanarak veri kümesi paketini açıp kaydedebilirsiniz. Sıkıştırılmış veri kümeleri R Betiği Yürütme modülü kullanılarak da paketten çıkarılır ancak performans sınırlı olabilir.
AzCopy gibi hızlı bir Azure yardımcı programı kullanın. AzCopy gibi bir Microsoft Azure kullanarak Depolama Blob depolamayı kullanmak için verileri sahneler. Ardından Verileri İçeri Aktar modülünü kullanarak blob depolamadan Studio'ya (klasik) veri aktarın.

Örneğin, aşağıdaki kod blob depolamaya yazmak için AzCopy söz dizimi gösterir.
```
cd "C:\Program Files (x86)\Microsoft SDKs\Azure\AzCopy"
.\AzCopy.exe /Source:C:\LocalFolder /Dest:https://mystorage.blob.core.windows.net/mycontainer /DestKey:MyStorageAccountKey /Pattern:myfile.csv
```

Belirtilen kodlamayı kullanarak csv dosyasını içeri aktarıldım ama görselleştirme seçeneğini kullanırken metin doğru görüntülenmiyor. Neden?

Karşıya yüklenen veri kümeleri için Machine Learning yalnızca UTF-8'i destekler. Ancak, Verileri İçeri Aktarma modülü ek kodlama biçimlerini destekler. Bu nedenle, bu biçimlerden birini kullanarak bir dosyayı içe aktardıktan sonra, karakterlerin doğru görüntü olmadığını bulabilirsiniz. Çözüm, şu yöntemlerden birini kullanarak kodlamayı UTF-8'e dönüştürmektir:

İçe aktarılan verileri bir veri kümesi olarak kaydedin. (CSV verileri yerine kaydedilmiş bir veri kümesi kullanmak da performansı geliştirebilir.)
R Betiği Yürütme modülünde veri kümesi kullanıyorsanız, aşağıdaki gibi bir betik kullanarak doğru kodlamayı zorabilirsiniz:
```
dataset <- maml.mapInputPort(1)
Encoding(dataset$city) <- "UTF-8"
maml.mapOutputPort("dataset")
```
Ardından R Betiği Yürütme modülünün çıkışında Görselleştir'i kullanabilir ve karakterlerin doğru görüntülendiğinden emin olun.

Metin dosyalarını içeri aktarmaya hangi seçeneklerim var? CSV verilerim için uygun değil.

Sütunlara düzgün sığacak şekilde yapılandırılmamış metinleri işleme ve temizleme her zaman bir zorluk olur. Ancak, metin verisi sütunlarını içeri aktarmaya ihtiyacınız varsa, TSV biçimi genellikle daha az güçlük oluşturur, ancak yine de fazla sekme karakterlerini önceden denetlemeniz gerekir.

Machine Learning Studio'da (klasik) metin alımı ve işleme örneğini görmek için metin sınıflandırma şablonunu Azure Yapay Zeka Galerisi gözden geçirmenizi öneririz.

CSV dosyaları için özel kodlama

Verileri İçeri Aktarma modülünün ilk sürümleri bazı türlerde geçerli CSV dosyalarını desteklemedi. Örneğin, dosyadan dışarı Excel bazen dosyanın doğru ayrıştırıcısını engelleyen karakterler içeriyor olabilir.

Mümkün olan daha geniş bir sınırlayıcı ve karakter biçimi aralığını desteklemek için Verileri İçeri Aktar artık sınırlayıcı ve kodlama biçimini seçmeyi destekliyor. CSV'i kodlama seçeneğiyle kullanırsanız, sonuç CSV dosyasının daha sağlam ve verimli bir ayrıştırması olur.

Aşağıdaki karakter kodlamalarını kullanabilirsiniz:

Tür	Encoding
Unicode	Unicode (UTF-8) Unicode Unicode (UTF-32) Unicode (UTF-7)
CJYK	Geleneksel Çince (Big5) Basitleştirilmiş Çince (GB2312) Basitleştirilmiş Çince (Mac) Basitleştirilmiş Çince (GB2312-80) Basitleştirilmiş Çince (ISO-2022) Basitleştirilmiş Çince (GB18030) Japonca (JIS) Korece (ISO) Korece (Mac)
Diğer	Batı Avrupa (Windows) Batı Avrupa (ISO) İbranice (ISO-Visual) ABD ASCII

İpucu

CSV içeri aktarma işlemi tamamlandıktan sonra, içeri aktarılan verilerin denemeniz içinde UTF-8 kodlamasını kullandığına emin olmak için içeri aktarılan dosyaları bir veri kümesi olarak kaydetmenizi öneririz.

CSV ve TSV biçimlerinde veri türü çıkarlığı

Verileri İçeri Aktarma modülü Azure Blob Depolama'daki bir CSV veya TSV dosyasından veri yüklerken, tür tahminci kaynak dosyada kategorik veya sayısal verileri aramaz ve yeni veri kümesi için meta verilerde bulunan türü temsil eder.

Ancak, veriler yüklendikten sonra Meta Verileri Düzenle modülünde sütun özniteliklerini düzenleyerek tür tahmincinin sonuçlarını geçersiz kılabilirsiniz.

Modül parametreleri

Genel seçenekler

Name	Aralık	Tür	Varsayılan	Description
Veri kaynağı	Liste	Veri kaynağı veya havuz	Azure Blob Depolama	Veri kaynağı HTTP, FTP, anonim HTTPS veya FTPS, Azure BLOB depolamadaki bir dosya, Azure tablosu, Azure SQL Veritabanı, şirket içi SQL Server veritabanı, Hive tablosu veya OData uç noktası olabilir.
Kimlik doğrulaması türü	PublicOrSas/Account	Dize	Hesap	Verilerin SAS URL'si aracılığıyla erişilebilen genel bir kapsayıcıda mı yoksa erişim için kimlik doğrulaması gerektiren bir özel depolama hesabında mı olduğunu belirtin.
Önbelleğe alınmış sonuçları kullanma	TRUE/FALSE	Boole	FALSE	Çalıştırmalar arasında veri yüklemesini önlemek için seçin

Genel veya SAS - Genel depolama seçenekleri

Name	Aralık	Tür	Varsayılan	Description
URI	herhangi biri	Dize	yok	HDFS rest uç noktası
Dosya biçimi	ARFF, CSV veya TSV	Dize	CSV	Desteklenen biçimlerden birini seçin
URI üst bilgi satırına sahip	Boole	TRUE/FALSE	TRUE	Dosya bir üst bilgi satırı içeriyorsa True; False ise, ilk veri satırı sütun başlıkları olarak kullanılır

Hesap - Özel depolama seçenekleri

Name	Aralık	Tür	Varsayılan	Description
Hesap adı	herhangi biri	Dize	yok	Depolama hesabının adını yazın
Hesap anahtarı	herhangi biri	Securestring	yok	Hesap anahtarını yapıştırın
Kapsayıcı, dizin veya blob yolu	herhangi biri	Dize	Yok	Kapsayıcı veya dizin adını yazın
Blob dosyası biçimi	ARFF, CSV veya TSV	Dize	CSV	Desteklenen biçimlerden birini seçin
Dosyanın üst bilgi satırı var	herhangi biri	Dize	Doğru	Azure depolama hesabı adı

Çıkışlar

Ad	Tür	Description
Sonuç veri kümesi	Veri Tablosu	İçe aktarılan verilerle veri kümesi

Özel durumlar

Özel durum	Description
Hata 0027	İki nesne aynı boyutta olması gerektir ancak aynı boyutta değil olduğunda özel durum oluşur.
Hata 0003	Bir veya daha fazla giriş null veya boşsa özel durum oluşur.
Hata 0029	Geçersiz bir URI geçir olduğunda özel durum oluşur.
Hata 0030	içinde bir dosya indirilenemay olduğunda özel durum oluşur.
Hata 0002	Bir veya daha fazla parametre ayrıştırılana veya belirtilen türden hedef yöntemin gerekli türüne dönüştürülememesi bir özel durum oluşur.
Hata 0009	Azure depolama hesabı adı veya kapsayıcı adı yanlış belirtilirse özel durum oluşur.
Hata 0048	Bir dosyanın açılması mümkün değilken bir özel durum oluşur.
Hata 0046	Belirtilen yolda dizin oluşturulamaysa özel durum oluşur.
Hata 0049	Bir dosyayı ayrıştırmak mümkün değilken bir özel durum oluşur.

Studio (klasik) modüllerine özgü hataların listesi için bkz. Machine Learning kodları.

API özel durumlarının listesi için bkz. Machine Learning REST API Kodları.

Ayrıca bkz.

Verileri İçeri Aktarma
Verileri Dışarı Aktarma
HTTP aracılığıyla Web URL’sinden içeri aktarma
Hive Sorgusundan içeri aktarma
Azure SQL Veritabanı’ndan içeri aktarma
Azure Tablosundan içeri aktarma
Veri Akışı Sağlayıcılarından içeri aktarma
Şirket İçi Veritabanı'SQL Server aktarma