本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
# 创建数据集
**注意**
如果您要将大于 5 GB 的数据集导入 Amazon SageMaker Canvas，我们建议您使用 Canvas 中的 [Data Wrangler 功能](canvas-data-prep.md)来创建数据流。Data Wrangler 支持高级数据准备功能，例如[连接](canvas-transform.md#canvas-transform-join)和[串联](canvas-transform.md#canvas-transform-concatenate)数据。创建数据流后，您可以将数据流导出为 Canvas 数据集，然后开始构建模型。有关更多信息，请参阅 [导出以创建模型](canvas-processing-export-model.md)。
以下各节介绍如何在 Amazon C SageMaker anvas 中创建数据集。对于自定义模型，您可以为表格和图像数据创建数据集。对于 Ready-to-use模型，您可以使用表格和图像数据集以及文档数据集。根据以下信息选择工作流：
+ 对于分类、数值、文本和时间序列数据，请参阅[导入表格数据](#canvas-import-dataset-tabular)。
+ 对于图像数据，请参阅[导入图像数据](#canvas-import-dataset-image)。
+ 有关文档数据，请参阅 [导入文档数据](#canvas-ready-to-use-import-document)。
一个数据集可以由多个文件组成。例如，您可能有多个 CSV 格式的库存数据文件。只要这些文件的架构（或列名和数据类型）匹配，就可以将这些文件作为数据集一起上传。
Canvas 还支持管理数据集的多个版本。创建数据集时，第一个版本将标记为 `V1`。您可以通过更新数据集来创建数据集的新版本。您可以手动更新，也可以设置自动使用新数据更新数据集的时间表。有关更多信息，请参阅 [更新数据集](canvas-update-dataset.md)。
将数据导入 Canvas 时，请确保数据符合下表中的要求。这些限制因您正在构建的模型类型不同而异。
| 限制 | 2 类别、3\$1 类别、数值和时间序列模型 | 文本预测模型 | 图像预测模型 | \$1模型的 Ready-to-use文档数据 |
| --- | --- | --- | --- | --- |
| 支持的文件类型 | CSV 和 Parquet（本地上传、Amazon S3 或数据库） JSON（数据库） | CSV 和 Parquet（本地上传、Amazon S3 或数据库） JSON（数据库） | JPG、PNG | PDF、JPG、PNG、TIFF |
| 最大文件大小 | 本地上传：5 GB 数据源： PBs | 本地上传：5 GB 数据源： PBs | 每张图像 30 MB | 每个文档 5 MB |
| 一次可以上传的最大文件数 | 30 | 30 | 不适用 | 不适用 |
| 最大列数 | 1000 | 1000 | 不适用 | 不适用 |
| **快速构建**的最大条目数（行、图像或文档） | 不适用 | 7500 行 | 5000 张图像 | 不适用 |
| **标准构建**的最大条目数（行、图像或文档） | 不适用 | 15 万行 | 18 万张图像 | 不适用 |
| **快速构建**的最小条目（行）数 | 2 类别：500 行 3\$1 类别、数值、时间序列：不适用 | 不适用 | 不适用 | 不适用 |
| **标准构建**的最小条目数（行、图像或文档） | 250 行 | 50 行 | 50 张图像 | 不适用 |
| 每个标签的最小条目数（行或图像） | 不适用 | 25 行 | 25 行 | 不适用 |
| 最小标签数量 | 2 类别：2 3\$1 类别：3 数值、时间序列：不适用 | 2 | 2 | 不适用 |
| 随机抽样的最小样本量 | 500 | 不适用 | 不适用 | 不适用 |
| 随机抽样的最小样本量 | 200,000 | 不适用 | 不适用 | 不适用 |
| 最大标签数量 | 2 类别：2 3\$1 类别、数值、时间序列：不适用 | 1000 | 1000 | 不适用 |
\$1目前只有接受文档数据的[Ready-to-use 模型](canvas-ready-to-use-models.md)才支持文档数据。您无法使用文档数据构建自定义模型。
另请注意以下限制：
+ 从 Amazon S3 存储桶导入数据时，请确保 Amazon S3 存储桶的名称不包含 `.`。如果您的存储桶名称包含 `.`，则在尝试将数据导入 Canvas 时可能会出错。
+ 对于表格数据，Canvas 不允许在本地上传和 Amazon S3 导入时选择任何扩展名为 .csv、.parquet、.parq 和 .pqt 以外的文件。CSV 文件可以使用任何常用或自定义的分隔符，除非是表示新行，否则不得使用换行符。
+ 对于使用 Parquet 文件的表格数据，请注意以下几点：
+ Parquet 文件不能包含地图和列表等复杂类型。
+ Parquet 文件的列名不能包含空格。
+ 如果使用压缩，Parquet 文件必须使用 gzip 或 snappy 压缩类型。有关上述压缩类型的更多信息，请参阅 [gzip 文档](https://www.gzip.org/)和 [snappy 文档](https://github.com/google/snappy)。
+ 对于图像数据，如果您有任何未标注的图像，则必须在构建模型之前对其进行标注。有关如何在 Canvas 应用程序中为图像分配标签的信息，请参阅[编辑图像数据集](canvas-edit-image.md)。
+ 如果您设置了自动数据集更新或自动批量预测配置，则在 Canvas 应用程序中总共只能创建 20 个配置。有关更多信息，请参阅 [如何管理自动化](canvas-manage-automations.md)。
导入数据集后，您可以随时在**数据集**页面上查看自己的数据集。
## 导入表格数据
使用表格数据集，您可以构建分类、数值、时间序列预测和文本预测模型。查看前面**导入数据集**部分中的限制表，确保您的数据符合表格数据的要求。
使用以下过程将表格数据集导入 Canvas：
1. 打开你的 SageMaker 画布应用程序。
1. 在左侧导航窗格中，选择**数据集**。
1. 选择**导入数据**。
1. 从下拉菜单中，选择**表格**。
1. 在弹出的对话框中，在**数据集名称**字段中，输入数据集的名称，然后选择**创建**。
1. 在**创建表格数据集**页面上，打开**数据来源**下拉菜单。
1. 选择您的数据来源：
+ 要从计算机上传文件，请选择**本地上传**。
+ 要从其他来源（例如 Amazon S3 存储桶或 Snowflake 数据库）导入数据，请在**搜索数据来源栏**中搜索您的数据来源。然后，选择所需数据来源对应的图块。
**注意**
您只能从具有活动连接的图块中导入数据。如果要连接到无法使用的数据来源，请联系您的管理员。如果您是管理员，请参阅[连接到数据来源](canvas-connecting-external.md)。
以下屏幕截图显示**数据来源**下拉菜单。
![\[显示数据来源下拉菜单以及在搜索栏中搜索数据来源的屏幕截图。\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/studio/canvas/import-data-choose-source.png)
1. （可选）如果您是首次连接到 Amazon Redshift 或 Snowflake 数据库，则会出现一个用于创建连接的对话框。在对话框中填写您的凭证，然后选择**创建连接**。如果您已经有连接，请选择您的连接。
1. 从您的数据来源中，选择要导入的文件。对于本地上传和从 Amazon S3 导入，您可以选择文件。仅适用于 Amazon S3，您还可以选择在**输入 S3 端点**字段中直接输入 S3 URI、别名、存储桶的 ARN 或 S3 接入点，然后选择要导入的文件。对于数据库源，您可以使用左侧导航窗格中的 drag-and-drop数据表。
1. （可选）对于支持 SQL 查询的表格数据来源（例如 Amazon Redshift、Amazon Athena 或 Snowflake），您可以选择**编辑 SQL**，在导入前进行 SQL 查询。
以下屏幕截图显示了 Amazon Athena 数据来源的**编辑 SQL** 视图。
![\[显示 Amazon Athena 数据的编辑 SQL 视图中 SQL 查询的屏幕截图。\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/studio/canvas/import-data-edit-sql.png)
1. （可选）选择**预览数据集**，在导入数据前预览数据。
1. 在**导入设置**中，输入**数据集名称**或使用默认数据集名称。
1. （可选）对于从 Amazon S3 导入的数据，系统会显示**高级**设置，您可以填写以下字段：
1. 如果您要使用数据集的第一行作为列名，请切换**使用第一行作为标题**选项。如果您选择了多个文件，这适用于每个文件。
1. 如果您要导入的是 CSV 文件，请在**文件编码 (CSV)** 下拉列表中选择数据集文件的编码。默认为 `UTF-8`。
1. 在**分隔符**下拉列表中，选择用于分隔数据中每个单元格的分隔符。默认分隔符为 `,`。您还可以指定自定义分隔符。
1. 如果您希望 Canvas 手动解析整个数据集的多行单元格，请选择**多行检测**。默认情况下，此选项处于未选中状态，Canvas 会通过对数据进行采样来确定是否使用多行支持。但是，Canvas 可能检测不到样本中的任何多行单元格。如果您有多行单元格，我们建议您选择**多行检测**选项，以强制 Canvas 检查整个数据集是否有多行单元格。
1. 如果您已准备好导入数据，请选择**创建数据集**。
在数据集导入 Canvas 的过程中，您可以看到**数据集**页面上列出了您的数据集。在此页面上，您可以[查看数据集详细信息](#canvas-view-dataset-details)。
当数据集的**状态**显示为`Ready`时，表示 Canvas 成功导入了您的数据，您可以继续[构建模型](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html)。
如果您已连接到数据来源，例如 Amazon Redshift 数据库或 SaaS 连接器，则可以返回该连接。对于 Amazon Redshift 和 Snowflake，您可以添加另一个连接，方法是创建另一个数据集，返回**导入数据**页面，并选择该连接的**数据来源**图块。从下拉菜单中，您可以打开之前的连接或选择**添加连接**。
**注意**
对于 SaaS 平台，每个数据来源只能有一个连接。
## 导入图像数据
使用图像数据集，您可以构建单标签图像预测自定义模型，用于预测图像的标签。查看前面的**导入数据集**部分中的限制，以确保您的图像数据集符合图像数据的要求。
**注意**
您只能通过本地文件上传或 Amazon S3 存储桶导入图像数据集。此外，对于图像数据集，每个标签必须至少有 25 张图像。
使用以下过程将图像数据集导入 Canvas：
1. 打开你的 SageMaker 画布应用程序。
1. 在左侧导航窗格中，选择**数据集**。
1. 选择**导入数据**。
1. 从下拉菜单中，选择**图像**。
1. 在弹出的对话框中，在**数据集名称**字段中，输入数据集的名称，然后选择**创建**。
1. 在**导入**页面上，打开**数据来源**下拉菜单。
1. 选择您的数据来源。要从计算机上传文件，请选择**本地上传**。要从 Amazon S3 导入文件，请选择 **Amazon S3**。
1. 从您的电脑或 Amazon S3 存储桶中选择要上传的图像或图像文件夹。
1. 如果您已准备好导入数据，请选择**导入数据**。
在数据集导入 Canvas 的过程中，您可以看到**数据集**页面上列出了您的数据集。在此页面上，您可以[查看数据集详细信息](#canvas-view-dataset-details)。
当数据集的**状态**显示为`Ready`时，表示 Canvas 成功导入了您的数据，您可以继续[构建模型](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html)。
在构建模型时，您可以编辑图像数据集，也可以分配或重新分配标签、添加图像或从数据集中删除图像。有关如何编辑图像数据集的更多信息，请参阅[编辑图像数据集](canvas-edit-image.md)。
## 导入文档数据
费用分析、身份证件分析、文档分析和文档查询 Ready-to-use模型支持文档数据。您无法使用文档数据构建自定义模型。
使用文档数据集，您可以生成支出分析、身份证件分析、文档分析和文档查询 Ready-to-use模型的预测。查看[创建数据集](#canvas-import-dataset)一节中的限制表，确保您的文档数据集符合文档数据的要求。
**注意**
您只能通过本地文件上传或 Amazon S3 存储桶导入文档数据集。
使用以下过程将文档数据集导入 Canvas：
1. 打开你的 SageMaker 画布应用程序。
1. 在左侧导航窗格中，选择**数据集**。
1. 选择**导入数据**。
1. 从下拉菜单中选择**文档**。
1. 在弹出的对话框中，在**数据集名称**字段中，输入数据集的名称，然后选择**创建**。
1. 在**导入**页面上，打开**数据来源**下拉菜单。
1. 选择您的数据来源。要从计算机上传文件，请选择**本地上传**。要从 Amazon S3 导入文件，请选择 **Amazon S3**。
1. 从您的计算机或 Amazon S3 存储桶中选择要上传的文档文件。
1. 如果您已准备好导入数据，请选择**导入数据**。
在数据集导入 Canvas 的过程中，您可以看到**数据集**页面上列出了您的数据集。在此页面上，您可以[查看数据集详细信息](#canvas-view-dataset-details)。
当数据集的**状态**显示为`Ready`时，表示 Canvas 已成功导入您的数据。
在**数据集**页面上，您可以选择数据集进行预览，最多可显示数据集的前 100 个文档。
## 查看数据集详细信息
对于每个数据集，您可以查看数据集中的所有文件、数据集的版本历史记录以及该数据集的任何自动更新配置。在**数据集**页面中，您还可以启动诸如[更新数据集](canvas-update-dataset.md)或[自定义模型的工作原理](canvas-build-model.md)之类的操作。
要查看数据集的详细信息，请执行以下操作：
1. 打开 SageMaker 画布应用程序。
1. 在左侧导航窗格中，选择**数据集**。
1. 从数据集列表中选择您的数据集。
在**数据**选项卡上，您可以看到数据的预览。如果选择**数据集详细信息**，则可以查看数据集中的所有文件。选择一个文件以在预览中仅查看该文件中的数据。对于图像数据集，预览仅显示数据集的前 100 张图像。
在**版本历史记录**选项卡上，您可以看到数据集所有版本的列表。每当更新数据集时，都会生成一个新版本。要了解有关更新数据集的更多信息，请参阅[更新数据集](canvas-update-dataset.md)。以下屏幕截图显示了 Canvas 应用程序中的**版本历史记录**选项卡。
![\[数据集版本历史记录选项卡的屏幕截图，其中包含数据集版本列表。\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/studio/canvas/canvas-version-history.png)
在**自动更新**选项卡上，您可以启用数据集自动更新，并设置配置以定期更新数据集。要了解有关设置数据集自动更新的更多信息，请参阅[配置数据集自动更新](canvas-update-dataset-auto.md)。以下屏幕截图显示了开启自动更新的**自动更新**选项卡，以及已对数据集执行的自动更新作业的列表。
![\[显示已开启自动更新和自动更新作业列表的数据集自动更新选项卡。\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/studio/canvas/canvas-auto-updates.png)