互動式 R 開發

適用於：Azure CLI ml 延伸模組 v2 (目前)Python SDK azure-ai-ml v2 (目前)

本文說明如何在 Azure Machine Learning Studio 中的計算執行個體上使用 R，以在 Jupyter Notebook 中執行 R 核心。

熱門的 RStudio IDE 也可運作。 您可以在計算執行個體的自訂容器中安裝 RStudio 或 Posit Workbench。 不過，在讀取和寫入 Azure Machine Learning 工作區方面有限制。

必要條件

• 如果您沒有 Azure 訂用帳戶，請在開始前建立免費帳戶。 立即試用免費或付費版本的 Azure Machine Learning
• Azure Machine Learning 工作區和計算執行個體
• 在 Azure Machine Learning Studio 中使用 Jupyter Notebook 的基本瞭解。 如需詳細資訊，請瀏覽雲端工作站上的模型開發資源。

在 Studio 的筆記本中執行 R

您將在計算執行個體上使用 Azure Machine Learning 工作區中的筆記本。

1. 登入 Azure Machine Learning 工作室

2. 如果工作區尚未開啟，請開啟工作區

3. 在左側導覽中，選取 [Notebooks]

4. 建立名為 RunR.ipynb 的新筆記本

   提示

   如果您不確定如何在 Studio 中建立和使用筆記本，請檢閱在工作區中執行 Jupyter 筆記本

5. 選取筆記本。

6. 在筆記本工具列上，確定您的計算執行個體正在執行中。 如果沒有，請立即啟動。

7. 在筆記本工具列上，將核心切換至 R。

   

您的筆記本現在已準備好執行 R 命令。

存取資料

您可以將檔案上傳至工作區檔案儲存體資源，然後在 R 中存取這些檔案。不過，對於儲存在 Azure 資料資產中的檔案，或來自資料存放區的資料，您必須安裝一些套件。

本節說明如何使用 Python 和 reticulate 套件，從互動式工作階段將資料資產和資料存放區載入 R。 您可以使用 azureml-fsspec Python 套件和 reticulate R 套件，將表格式資料讀取為 Pandas DataFrames。 本節也包含將資料資產和資料存放區讀取到 R data.frame 的範例。

若要安裝這些套件：

1. 在計算執行個體上建立名為 setup.sh 的新檔案。

2. 將此程式碼複製到檔案：

   #!/bin/bash
   
   set -e
   
   # Installs azureml-fsspec in default conda environment 
   # Does not need to run as sudo
   
   eval "$(conda shell.bash hook)"
   conda activate azureml_py310_sdkv2
   pip install azureml-fsspec
   conda deactivate
   
   # Checks that version 1.26 of reticulate is installed (needs to be done as sudo)
   
   sudo -u azureuser -i <<'EOF'
   R -e "if (packageVersion('reticulate') >= 1.26) message('Version OK') else install.packages('reticulate')"
   EOF
   

3. 選取 [儲存並在終端機中執行指令碼] 以執行指令碼

安裝指令碼會處理下列步驟：

• pip 會在計算執行個體的預設 conda 環境中安裝 azureml-fsspec
• 視需要安裝 R reticulate 套件 (版本必須是 1.26 或更新版本)

從已註冊的資料資產或資料存放區讀取表格式資料

針對儲存在 Azure Machine Learning 中建立之資料資產的資料，請使用下列步驟，將該表格式檔案讀入 Pandas DataFrame 或 R data.frame：

1. 請確定您有正確的 reticulate 版本。 對於低於 1.26 的版本，請嘗試使用較新的計算執行個體。

   packageVersion("reticulate")
   

2. 載入 reticulate 並設定已安裝 azureml-fsspec 的 conda 環境

   library(reticulate)
   use_condaenv("azureml_py310_sdkv2")
   print("Environment is set")

3. 尋找資料檔的 URI 路徑。

   1. 首先，取得工作區的控制代碼

      py_code <- "from azure.identity import DefaultAzureCredential
      from azure.ai.ml import MLClient
      credential = DefaultAzureCredential()
      ml_client = MLClient.from_config(credential=credential)"
      
      py_run_string(py_code)
      print("ml_client is configured")

   2. 使用此程式碼來擷取資產。 請務必將 <MY_NAME> 和 <MY_VERSION> 取代為您資料資產的名稱和數量。

      提示

      在 Studio 中，選取左側導覽 [資料]，以尋找資料資產的名稱和版本號碼。

      # Replace <MY_NAME> and <MY_VERSION> with your values
      py_code <- "my_name = '<MY_NAME>'
      my_version = '<MY_VERSION>'
      data_asset = ml_client.data.get(name=my_name, version=my_version)
      data_uri = data_asset.path"

   3. 若要擷取 URI，請執行程式碼。

      py_run_string(py_code)
      print(paste("URI path is", py$data_uri))

4. 使用 Pandas 讀取函式將檔案讀取至 R 環境。

   pd <- import("pandas")
   cc <- pd$read_csv(py$data_uri)
   head(cc)

您也可以使用資料存放區 URI 來存取已註冊資料存放區上的不同檔案，並將這些資源讀入 R data.frame。

1. 在此格式中，使用您自己的值建立資料存放區 URI：

   subscription <- '<subscription_id>'
   resource_group <- '<resource_group>'
   workspace <- '<workspace>'
   datastore_name <- '<datastore>'
   path_on_datastore <- '<path>'
   
   uri <- paste0("azureml://subscriptions/", subscription, "/resourcegroups/", resource_group, "/workspaces/", workspace, "/datastores/", datastore_name, "/paths/", path_on_datastore)
   

   提示

   如果您知道檔案所在的資料存放區，您可以複製並貼上 Studio UI 中的資料存放區 URI，而不是記住資料存放區 URI 格式：

   1. 瀏覽至您想要讀入 R 的檔案/資料夾
   2. 選取其旁邊的省略號 [...]。
   3. 從功能表選取 [複製 URI]。
   4. 選取 [資料存放區 URI] 以複製到您的筆記本/指令碼。 請注意，您必須在程式碼中建立 <path> 變數。

2. 使用先前提及的 URI 建立檔案存放區物件：

fs <- azureml.fsspec$AzureMachineLearningFileSystem(uri, sep = "")

3. 讀入 R data.frame：

df <- with(fs$open("<path>)", "r") %as% f, {
 x <- as.character(f$read(), encoding = "utf-8")
 read.csv(textConnection(x), header = TRUE, sep = ",", stringsAsFactors = FALSE)
})
print(df)

安裝 R 套件

計算執行個體有許多預安裝 R 套件。

若要安裝其他套件，您必須明確陳述位置和相依性。

例如，若要安裝 tsibble 套件：

install.packages("tsibble", 
                 dependencies = TRUE,
                 lib = "/home/azureuser")

載入 R 程式庫

將 /home/azureuser 新增至 R 程式庫路徑。

.libPaths("/home/azureuser")

更新 libPath 之後，請如往常載入程式庫。

library('tsibble')

在筆記本中使用 R

除了稍早所述的問題之外，請像您在任何其他環境中一樣使用 R，包括本地工作站。 在您的筆記本或指令碼中，您可以讀取和寫入儲存筆記本/指令碼的路徑。

下一步

• 調整 R 指令碼以在生產環境中執行