WEBVTT 00:00:00.000 --> 00:00:02.610 >> Il est enfin temps de jouer avec nos données. 00:00:02.610 --> 00:00:04.830 J’ai un fichier CSV local avec tous les 00:00:04.830 --> 00:00:08.235 mes données et je dois m’assurer que cela monte dans le Nuage. 00:00:08.235 --> 00:00:10.740 En outre, j’ai besoin pour préparer mes données. 00:00:10.740 --> 00:00:12.750 Je sais que ce que je veux faire, c’est 00:00:12.750 --> 00:00:15.865 prédire combien de vélos être loués un certain jour. 00:00:15.865 --> 00:00:19.770 Ce qui signifie que je dois préparer mon données pour les prévisions d’une série temporelle. 00:00:19.770 --> 00:00:22.790 Comme toujours, il y a documents supplémentaires sur 00:00:22.790 --> 00:00:26.350 l’écran, puis une description en bas. Allons-y. 00:00:26.350 --> 00:00:30.750 Tout d’abord, je dois m’assurer mon jeu de données est accessible. 00:00:31.600 --> 00:00:33.980 Je vais l’ajouter dans le même dossier 00:00:33.980 --> 00:00:36.420 que mon carnet Jupyter est po 00:00:36.880 --> 00:00:40.174 Je vais télécharger ce jeu de données 00:00:40.174 --> 00:00:42.955 à mon apprentissage automatique Datastore sur Azure. 00:00:42.955 --> 00:00:45.355 Je vais prendre mon fichier CSV, 00:00:45.355 --> 00:00:47.825 le télécharger dans le dossier du jeu de données, 00:00:47.825 --> 00:00:50.900 remplacer toutes les données qui existe déjà, 00:00:50.900 --> 00:00:53.000 et je veux montrer les progrès de 00:00:53.000 --> 00:00:56.045 ce processus au sein de Code Visual Studio. 00:00:56.045 --> 00:00:58.640 Super, on dirait que ça a marché. 00:00:58.640 --> 00:01:03.010 Ensuite, j’ai besoin de créer un objet de jeu de données, 00:01:03.010 --> 00:01:06.910 qui est une classe de azureml-core et j’ai besoin de 00:01:06.910 --> 00:01:08.935 formater ma date dans un façon dont je vais le faire 00:01:08.935 --> 00:01:11.755 plus facile pour moi de trier mes données. 00:01:11.755 --> 00:01:15.050 J’ai besoin d’importer des cours. 00:01:15.250 --> 00:01:18.220 Maintenant, j’ai besoin de comprendre quelle colonne je vais 00:01:18.220 --> 00:01:21.295 à utiliser pour prédire quelle autre colonne. 00:01:21.295 --> 00:01:22.855 Avant de décider de ça, 00:01:22.855 --> 00:01:25.210 Je vais ouvrir le fichier CSV 00:01:25.210 --> 00:01:27.970 et jetez un oeil à les données que j’ai. 00:01:27.970 --> 00:01:30.685 J’ai remarqué qu’ici j’ai rendez-vous, 00:01:30.685 --> 00:01:34.540 saison, année, mois, quel jour de la semaine, 00:01:34.540 --> 00:01:37.870 ce que le temps est, le température, l’humidité, 00:01:37.870 --> 00:01:41.160 la vitesse du vent, et J’ai aussi le compte, 00:01:41.160 --> 00:01:43.805 qui est le nombre de vélos qui ont été loués. 00:01:43.805 --> 00:01:49.650 Je pense que ce que je vais faire, c’est que je vais date d’utilisation pour prédire le nombre. 00:01:50.000 --> 00:01:52.710 Définissons ça ici. 00:01:52.710 --> 00:01:55.010 Maintenant, j’ai mon nom de colonne de temps, 00:01:55.010 --> 00:01:58.520 qui sera utilisé pour prédire mon nom de colonne cible. 00:01:58.520 --> 00:02:00.890 Ensuite, je vais créer 00:02:00.890 --> 00:02:03.650 une variable locale appelée jeu de données qui va garder 00:02:03.650 --> 00:02:05.570 suivi de mes données et je vais 00:02:05.570 --> 00:02:08.360 convertir ce jeu de données dans un Pandas DataFrame. 00:02:08.360 --> 00:02:11.060 Remarquez que j’appelle prendre 5, 00:02:11.060 --> 00:02:14.630 qui imprimera le premier cinq lignes de ce cadre de données. 00:02:14.630 --> 00:02:17.150 Nous pouvons vérifier que ces lignes sont correctes. 00:02:17.150 --> 00:02:19.920 Nous sommes le 1er janvier 2011, 00:02:19.920 --> 00:02:23.605 la température était de 0,344167 00:02:23.605 --> 00:02:24.920 et nous pouvons jeter un oeil à 00:02:24.920 --> 00:02:28.200 notre fichier CSV et voir que c’était encore le 1er janvier, 00:02:28.200 --> 00:02:36.440 2011, et que le temps était ou la température était 0,33344167. 00:02:36.440 --> 00:02:39.620 Ça a l’air bien. Maintenant, nous avoir un lien entre nos données 00:02:39.620 --> 00:02:43.890 stockés dans Azure et nos Visual Studio Code.