是否允许通过自定义代码自定义Azure ML Studio数据配置文件？

完全允许通过自定义代码生成并关联自定义的数据配置文件，UI驱动的方法无法满足的自定义需求，可通过Azure ML Python SDK实现，具体操作如下：

• 计算自定义数据质量指标
  借助pandas等数据处理库，根据需求计算个性化的质量指标，比如特定分位数、自定义规则下的异常值占比等，示例代码：

  import pandas as pd
  from azure.ai.ml import MLClient
  from azure.identity import DefaultAzureCredential
  
  # 初始化Azure ML客户端
  ml_client = MLClient(DefaultAzureCredential(), subscription_id="你的订阅ID", resource_group_name="你的资源组", workspace_name="你的工作区")
  
  # 加载目标数据资产
  data_asset = ml_client.data.get(name="你的数据资产名称", version="版本号")
  df = pd.read_csv(data_asset.path)
  
  # 计算自定义指标
  custom_profile = {
      "自定义指标": {
          "95分位数值": df["数值列"].quantile(0.95),
          "无效邮箱占比": len(df[~df["邮箱列"].str.contains(r"^[\w\-\.]+@([\w-]+\.)+[\w-]{2,}$")]) / len(df),
          "唯一分类数量": df["分类列"].nunique()
      },
      "标准指标补充": {
          "整体缺失值占比": df.isnull().sum().sum() / (df.shape[0] * df.shape[1]),
          "标准差": df["数值列"].std()
      }
  }
  

• 关联自定义配置文件到数据资产
  将计算好的指标保存为JSON文件，再通过SDK更新数据资产的元数据，把自定义配置文件关联进去：

  import json
  
  # 保存自定义配置文件到本地
  with open("custom_data_profile.json", "w") as f:
      json.dump(custom_profile, f, ensure_ascii=False)
  
  # 更新数据资产属性，添加自定义配置文件关联
  data_asset.properties["自定义数据配置文件"] = "custom_data_profile.json"
  ml_client.data.create_or_update(data_asset)
  

• 在Studio中查看自定义配置
  更新完成后，进入数据资产详情页，在「属性」或「元数据」板块就能看到自定义指标的关联信息；如果需要更直观的可视化展示，也可以将自定义指标集成到Azure ML的笔记本或自定义仪表盘中，直接在Studio内查看。

内容的提问来源于stack exchange，提问作者wantering_otter