使用AzureMachineLearningFileSystem上传遇NotImplementedError及存储路径疑问

对比你的代码和官方示例，几个核心排查点：

• 缺失recursive参数：官方示例上传文件时明确指定recursive=False，你的代码未传入该参数。AzureMachineLearningFileSystem基于fsspec实现，upload方法的recursive默认值可能因版本存在逻辑歧义，显式指定可避免触发未实现分支。
• 路径格式不一致：官方用相对路径（如data/upload_files/crime-spring.csv），你用绝对路径（开头带/）。部分fsspec实现对绝对路径的处理逻辑未完全兼容，建议改用相对路径测试。
• 缺少overwrite参数：虽然非必传，但官方示例传入**{'overwrite': 'MERGE_WITH_OVERWRITE'}，若目标路径已存在同名文件，缺少该参数可能触发未定义错误。

修复步骤：

1. 补全参数后重试：

fs.upload(lpath='/' + path + seq_name + '.csv', 
          rpath='/' + path_target,
          recursive=False,
          **{'overwrite': 'MERGE_WITH_OVERWRITE'})

2. 确保依赖包为最新稳定版：

pip install --upgrade azureml-fsspec azure-ai-ml

3. 验证datastore状态：确认azure_churn_lab_datastores存在于指定工作区，且当前身份拥有写入权限。

若以上操作仍报错，再排查平台侧：检查工作区是否正常运行，datastore的连接配置是否有效。

建议将数据上传到Blob容器，原因如下：

• 功能定位不同：File Share的code路径是为存放脚本、配置文件等代码资产设计的，并非大规模数据存储的适配方案。Blob容器是AML专属的数据存储组件，支持批量上传、版本管理、分层存储（冷/归档层）等数据专属功能。
• 性能与成本优势：Blob容器针对大数据场景优化，支持高吞吐量访问，且存储成本更低（尤其是冷存储层）。File Share基于SMB协议，适合小文件频繁读写，数据量大时性能和成本劣势明显。
• 工作流兼容性更好：AML的数据处理管道、数据集注册、训练作业等组件对Blob容器的支持更完善。将数据存放在Blob中，可直接通过数据集引用，无需额外路径转换，更易集成到后续ML工作流。
• 工作区整洁性：代码与数据分离存储，能避免code路径因大量数据文件臃肿，便于版本控制和维护。

内容的提问来源于stack exchange，提问作者Paweł