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。

为模型构建准备数据

在构建模型之前，您的机器学习数据集可能需要准备数据。由于各种问题（可能包括缺失值或异常值），您可能需要清理数据，并执行特征工程以提高模型的准确性。Amazon SageMaker Canvas 提供机器学习数据转换，您可以使用它来清理、转换和准备数据以进行模型构建。您无需任何代码即可在数据集中使用这些变换。 SageMaker Canvas 将你使用的变换添加到模型配方中，该配方记录了在构建模型之前对数据所做的数据准备。您使用的任何数据转换都只会修改用于构建模型的输入数据，而不会修改原始数据来源。

数据集的预览会显示数据集的前 100 行数据。如果数据集的行数超过 2 万行，Canvas 会随机抽取 2 万行样本，并预览该样本中的前 100 行数据。您只能从预览行中搜索和指定值，而筛选器功能只能筛选预览行，而不能筛选整个数据集。

Can SageMaker vas 中提供了以下变换，供您为构建数据做好准备。

删除列

您可以将某列拖放到 C SageMaker anvas 应用程序的 “构建” 选项卡中，将其从模型构建中排除。取消选择要删除的列，在构建模型时该列将不包括在内。

筛选行

筛选功能可根据您指定的条件筛选预览行（数据集的前 100 行）。筛选行会创建数据的临时预览，不会影响模型构建。您可以通过筛选来预览缺失值、包含异常值或符合您所选列中自定义条件的行。

按缺失值筛选行

在机器学习数据集中，缺失值是一种常见情况。如果某些列中的行值为 null 值或为空值，则可能需要筛选和预览这些行。

要从预览数据中筛选缺失值，请执行以下操作。

SageMaker 画布筛选所选列中包含缺失值的行，并提供筛选行的预览。

按异常值筛选行

异常值或数据分布和范围中的稀有值可能会对模型精度产生负面影响，并导致更长的构建时间。 SageMaker Canvas 允许您检测和筛选数字列中包含异常值的行。您可以选择使用标准差或自定义范围来定义异常值。

要筛选数据中的异常值，请执行以下操作。

标准差选项使用平均值和标准差来检测和筛选数值列中的异常值。您可以指定一个值必须与平均值相差多少个标准差才能被视为异常值。例如，如果您指定 SD 为 3，那么一个值必须偏离平均值 3 个标准差以上才会被视为异常值。

自定义范围选项使用最小值和最大值来检测和筛选数值列中的异常值。如果您知道划分异常值的阈值，请使用此方法。您可以将范围的类型设置为百分位数或数字。如果选择百分位数，则最小值和最大值应是您想要允许的百分位数范围 (0-100) 的最小值和最大值。如果选择数字，则最小值和最大值应为要在数据中筛选的最小和最大数值。

按自定义值筛选行

您可以筛选具有满足自定义条件的值的行。例如，您可能希望在删除价格值大于 100 的行之前预览这些行。使用此功能，您可以筛选超过您设置的阈值的行并预览已筛选的数据。

要使用自定义筛选功能，请执行以下操作。

对于操作，您可以选择以下选项之一。请注意，可用的操作取决于您选择的列的数据类型。例如，您无法为包含文本值的列创建 is greater than 操作。

设置筛选操作后， SageMaker Canvas 会更新数据集的预览以显示筛选后的数据。

函数和运算符

您可以使用数学函数和运算符来探索和分配数据。您可以使用 SageMaker Canvas 支持的函数，也可以使用现有数据创建自己的公式，然后使用公式的结果创建新列。例如，您可以将两列的相应值相加，并将结果保存到新列中。

您可以嵌套语句来创建更复杂的函数。以下是您可能使用的嵌套函数的一些示例。

在构建模型之前，可以在数据准备阶段指定函数。要使用函数，请执行以下操作。

SageMaker Canvas 使用您在新列名中指定的名称将函数的结果保存到新列中。您可以从模型配方面板中查看或删除函数。

SageMaker Canvas 支持以下函数运算符。您可以使用文本格式或内联格式来指定函数。

SageMaker Canvas 还支持聚合运算符，这些运算符可以执行诸如计算所有值的总和或查找列中的最小值之类的操作。可以在函数中将聚合运算符与标准运算符结合使用。例如，要计算值与均值的差，可以使用函数Abs(height – avg(height))。 SageMaker Canvas 支持以下聚合运算符。

管理行

使用“管理行”转换，可以对数据集中的数据行进行排序、随机排列以及删除数据行。

排序行

要按给定列对数据集中的行进行排序，请执行以下操作。

随机排列行

要随机排列数据集中的行，请执行以下操作。

删除重复的行

要删除数据集中的重复行，请执行以下操作。

按缺失值删除行

缺失值在机器学习数据集中很常见，可能会影响模型的准确性。如果要删除某些列中为 null 值或空值的行，请使用此转换。

要删除指定列中包含缺失值的行，请执行以下操作。

SageMaker Canvas 会删除所选列中包含缺失值的行。从数据集中移除行后， SageMaker Canvas 会在模型配方部分中添加变换。如果从模型配方部分中删除转换，则这些行将返回到您的数据集。

按异常值删除行

异常值或数据分布和范围中的罕见值会对模型的准确性产生负面影响，并导致构建时间延长。使用 SageMaker Canvas，您可以检测和删除数字列中包含异常值的行。您可以选择使用标准差或自定义范围来定义异常值。

要从数据中删除异常值，请执行以下操作。

标准差选项使用平均值和标准差来检测和删除数值列中的异常值。您可以指定一个值必须与平均值相差多少个标准差才能被视为异常值。例如，如果您指定标准差为 3，那么一个值必须偏离平均值 3 个标准差以上才会被视为异常值。

自定义数值范围和自定义分位数范围选项使用最小值和最大值检测和删除数值列中的异常值。如果您知道划分异常值的阈值，请使用此方法。如果选择数值范围，则最小值和最大值应是数据中允许的最小和最大数值。如果选择分位数范围，则最小值和最大值应该是您希望允许的百分位数范围 (0–100) 的最小值和最大值。

从数据集中移除行后， SageMaker Canvas 会在模型配方部分中添加变换。如果从模型配方部分中删除转换，则这些行将返回到您的数据集。

按自定义值删除行

您可以删除值符合自定义条件的行。例如，在构建模型时，您可能希望排除所有价格值大于 100 的行。通过这种转换，您可以创建一条规则，删除所有超过您设置的阈值的行。

要使用自定义删除转换，请执行以下操作。

对于操作，您可以选择以下选项之一。请注意，可用的操作取决于您选择的列的数据类型。例如，您无法为包含文本值的列创建 is greater than 操作。

从数据集中移除行后， SageMaker Canvas 会在模型配方部分中添加变换。如果从模型配方部分中删除转换，则这些行将返回到您的数据集。

重命名列

通过重命名列转换，您可以重命名数据中的列。当您重命名列时， SageMaker Canvas 会更改模型输入中的列名。

您可以通过双击 C SageMaker anvas 应用程序的 “构建” 选项卡中的列名称并输入新名称来重命名数据集中的列。按 Enter 键可提交更改，单击输入框外的任意位置可取消更改。您还可以单击列表视图中行末尾或网格视图中标题单元末尾的更多选项图标 ( )，然后选择重命名来重命名列。

列名不能超过 32 个字符，也不能有双下划线 (__)，而且不能将一列重命名为与另一列相同的名称。您也不能重命名已删除的列。

以下屏幕截图显示了如何通过双击列名来重命名列。

重命名列时， SageMaker Canvas 会在模型配方部分中添加变换。如果从模型配方部分中删除转换，列就会恢复到原来的名称。

管理列

通过以下变换，您可以更改列的数据类型并替换特定列的缺失值或异常值。 SageMaker Canvas 在构建模型时使用更新的数据类型或值，但不会更改您的原始数据集。请注意，如果您使用删除列转换从数据集中删除了一列，则无法替换该列中的值。

替换缺失值

缺失值在机器学习数据集中很常见，可能会影响模型的准确性。您可以选择删除具有缺失值的行，但如果您选择替换缺失值，您的模型会更准确。使用此转换，可以用列中数据的平均值或中位数替换数值列中的缺失值，也可以指定一个自定义值来替换缺失值。对于非数值列，可以用列的模式（最常用值）或自定义值替换缺失值。

如果要替换某些列中的 null 值或空值，请使用此转换。要替换指定列中的缺失值，请执行以下操作。

替换数据集中的缺失值后， SageMaker Canvas 会在模型配方部分中添加变换。如果从模型配方部分中删除转换，则缺失值将返回到数据集中。

替换异常值

异常值或数据分布和范围中的稀有值可能会对模型精度产生负面影响，并导致更长的构建时间。 SageMaker Canvas 使您能够检测数字列中的异常值，并将异常值替换为位于数据中可接受范围内的值。您可以选择使用标准差或自定义范围来定义异常值，也可以将异常值替换为可接受范围内的最小值和最大值。

要替换数据中的异常值，请执行以下操作。

标准差选项使用平均值和标准差来检测数值列中的异常值。您可以指定一个值必须与平均值相差多少个标准差才能被视为异常值。例如，如果您为标准差指定 3，则一个值必须与均值相差超过 3 个标准差才能被视为异常值。 SageMaker Canvas 用可接受范围内的最小值或最大值替换异常值。例如，如果您将标准差配置为仅包含 200—300 之间的值，则 SageMaker Canvas 会将值 198 更改为 200（最小值）。

自定义数值范围和自定义分位数范围选项使用最小值和最大值来检测数值列中的异常值。如果您知道划分异常值的阈值，请使用此方法。如果选择数值范围，则最小值和最大值应为允许的最小和最大数值。 SageMaker Canvas 会将任何超出最小值和最大值的值替换为最小值和最大值。例如，如果您的范围仅允许 1—100 之间的值，则 SageMaker Canvas 会将值 102 更改为 100（最大值）。如果选择分位数范围，则最小值和最大值应该是您希望允许的百分位数范围 (0–100) 的最小值和最大值。

替换数据集中的值后， SageMaker Canvas 会在模型配方部分中添加变换。如果从模型配方部分中删除该转换，则原始值将返回到数据集中。

更改数据类型

SageMaker Canvas 使您能够在数字、文本和日期时间之间更改列的数据类型，同时还可以显示该数据类型的关联要素类型。数据类型是指数据的格式及其存储方式，而特征类型是指机器学习算法中使用的数据的特征，例如二进制或分类。这样，您就可以根据特征灵活地手动更改列中的数据类型。选择正确的数据类型的能力可确保在构建模型之前的数据完整性和准确性。这些数据类型用于构建模型。

下表列出了 Canvas 支持的所有数据类型。

下表列出了 Canvas 支持的所有特征类型。

要修改数据集中某列的数据类型，请执行以下操作。

您的列的数据类型现在应该已更新。

准备时间序列数据

使用以下功能准备时间序列数据，以构建时间序列预测模型。

重新采样时间序列数据

通过对时间序列数据进行重采样，您可以为时间序列数据集中的观测值建立固定的时间间隔。这在处理包含不规则间隔观测值的时间序列数据时特别有用。例如，您可以使用重采样将每隔一小时、两小时和三小时记录一次观测值的数据集转换为每隔一小时记录一次观测值的常规数据集。预测算法需要定期进行观测。

要对时间序列数据进行重新采样，请执行以下操作。

下表列出了在对时间序列数据进行重采样时可以选择的所有频率类型。

应用重采样转换时，可以使用高级选项来指定如何修改数据集中其余列（时间戳列除外）的结果值。这可以通过指定重采样方法来实现，对于数值列和非数值列，重采样方法可以是下采样或上采样。

下采样会延长数据集中观测值之间的间隔。例如，如果对每小时或每两小时记录的观测值进行下采样，那么数据集中的每个观测值将每两小时记录一次。使用组合方法将每小时观测值中其他列的值聚合为单个值。下表显示了使用均值作为组合方法对时间序列数据进行下采样的示例。数据采样从每两小时一次降到每小时一次。

下表显示了下采样之前一天内每小时的温度读数。

下表显示了下采样至每两小时一次后的温度读数。

要对时间序列数据进行下采样，请执行以下操作：

如果未指定组合方法，则非数值组合的默认值为Most Common，数值组合的默认值为Mean。下表列出了数值和非数值组合的方法。

上采样会缩短数据集中观测值之间的间隔。例如，如果您将每两小时采集的观测值上采样为每小时观测值，则每小时观测值中其他列的值将从每两小时采集的观测值中插值而来。

要对时间序列数据进行上采样，请执行以下操作：

如果未指定估算方法，则非数值估算的默认值为 Forward Fill，数值估算的默认值为 Linear。下表列出了各种估算方法。

以下屏幕截图显示了高级设置，其中填写了下采样和上采样字段。

使用日期时间提取

使用日期时间提取转换，您可以将日期时间列中的值提取到单独的列。例如，如果您有一列包含购买日期，则可以将月份值提取到单独的列中，并在构建模型时使用新列。您还可以通过一次转换将多个值提取到不同的列中。

日期时间列必须使用支持的时间戳格式。有关 C SageMaker anvas 支持的格式列表，请参阅Amazon C SageMaker anvas 中的时间序列预测。如果您的数据集未使用任何支持的格式，请更新您的数据集以使用支持的时间戳格式，并在构建模型之前将其重新导入到 Amazon SageMaker Canvas。

要执行日期时间提取，请执行以下操作。

SageMaker Canvas 会在数据集中为您提取的每个值创建一个新列。除年份值外， SageMaker Canvas 对提取的值使用基于 0 的编码。例如，如果提取月值，则一月份提取为 0，二月份提取为 1。

您可以看到在模型配方部分中列出了该转换。如果从模型配方部分中删除该转换，则会从数据集中删除新列。