华为云用户手册

样例 inputs = { "dataframe": None # @input {"label":"dataframe","type":"DataFrame"}}params = { "inputs": inputs, "b_output_action": True, "outer_pipeline_stages": None, "input_features_str": "", # @param {"label":"input_features_str","type":"string","required":"false","helpTip":""} "min": 0.0, # @param {"label": "min","type":"number","required":"true","range":"(none,none)","helpTip":""} "max": 1.0, # @param {"label":"max","type":"number","required":"true","range":"(none,none)","helpTip":""} "input_vector_column": "input_features", # @param {"label":"input_vector_column","type":"string","required":"true","helpTip":""} "output_vector_column": "minmax_scaler_features" # @param {"label":"output_vector_column","type":"string","required":"true","helpTip":""} }min_max_scaler____id___ = MLSMinMaxScaler(**params)min_max_scaler____id___.run()# @output {"label":"pipeline_model","name":"min_max_scaler____id___.get_outputs()['output_port_1']","type":"PipelineModel"} # @output {"label":"dataframe","name":"min_max_scaler____id___.get_outputs()['output_port_2']","type":"DataFrame"}

参数说明 参数 子参数 参数说明 input_features_str - 输入的列名以逗号分隔组成的字符串，例如： "column_a" "column_a,column_b" min - 转换后的最小值，默认为0.0 max - 转换后的最大值，默认为1.0 input_vector_column - 输入的向量列的列名，默认为"input_features" output_vector_column - 结果输出的向量列的列名，默认为"output_scaler_features"

参数说明 参数 子参数 参数说明 input_features_str - 数据集的特征列名组成的格式化字符串，例如: "column_a" "column_a,column_b" fp_items_col - fp-growth模型训练所需要的项目数组的列名 prediction_col - 预测列名 min_support - 最小支持度 min_confidence - 生成关联规则的最小置信度

样例 inputs = { "dataframe": None # @input {"label":"dataframe","type":"DataFrame"}}params = { "inputs": inputs, "b_output_action": True, "outer_pipeline_stages": None, "input_col": "", # @param {"label":"input_col","type":"string","required":"true","helpTip":""} "output_col": "binarizered_feature", # @param {"label":"output_col","type":"string","required":"true","helpTip":""} "threshold": 0.0 # @param {"label":"threshold","type":"number","required":"true","range":"(none,none)","helpTip":""}}binarizer____id___ = MLSBinarizer(**params)binarizer____id___.run()# @output {"label":"dataframe","name":"binarizer____id___.get_outputs()['output_port_1']","type":"DataFrame"}

样例 inputs = { "dataframe": None # @input {"label":"dataframe","type":"DataFrame"}}params = { "inputs": inputs, "input_columns_str": "", # @param {"label":"input_columns_str","type":"string","required":"true","helpTip": ""} "input_weights_str": "" # @param {"label":"input_weights_str","type":"string","required":"true","helpTip": ""}}feature_transform____id___ = MLSFeatureTransform(**params)feature_transform____id___.run()# @output {"label":"dataframe","name":"feature_transform____id___.get_outputs()['output_port_1']","type":"DataFrame"}

样例 数据样本 鸢尾花数据集，species列代表鸢尾花种类，共有Iris-setosa、Iris-versicolor和Iris-virginica三种类别，每种类别样本数量为50。 图1 数据样本 配置流程 运行流程 参数设置 图2 参数设置（按比例拆分） 图3 参数设置（按阈值拆分） 按petal_width列划分，小于等于2.0的数据划分至子数据集1，大于2.0的数据划分至子数据集2。 查看结果 按比例拆分 图4 子数据集1 图5 子数据集2 按阈值拆分 图6 子数据集1 图7 子数据集2

参数说明 参数 是否必选 参数说明 默认值 fraction 否 分割比例，比例值对应第一个数据集的行数。 0.7 id_col 否 id列，按比例拆分的情况下，若设置该列，则该列相同的样本不会被拆分，按阈值拆分则设置该列无效。 无 threshold_col 否 用于阈值拆分的列。 无 thrshold 否 拆分阈值。 0.0 seed 否 随机数种子。 1234 若设置fraction，则按照比例拆分，阈值列和阈值设置无效。

参数说明 参数 子参数 参数说明 column_type_map_str - 指定相应列的数据类型的规范化字符串，例如："column_a:string,column_b:integer"，列类型可以是：string,integer,long,float,double,bool,date,timestamp timestamp_format - 取值yyyy-MM-dd HH:mm:ss date_format - 取值yyyy-MM-dd

样例 inputs = { "dataframe": None # @input {"label":"dataframe","type":"DataFrame"}}params = { "inputs": inputs, "column_type_map_str": "", # @param {"label":"column_type_map_str","type":"string","required":"true","helpTip":""} "timestamp_format": "yyyy-MM-dd HH:mm:ss", # @param {"label":"timestamp_format","type":"string","required":"false","helpTip":""} "date_format": "yyyy-MM-dd" # @param {"label":"date_format","type":"string","required":"false","helpTip":""}}modify_data_type____id___ = MLSModifyDataType(**params)modify_data_type____id___.run()# @output {"label":"dataframe","name":"modify_data_type____id___.get_outputs()['output_port_1']","type":"DataFrame"}

样例 inputs = { "dataframe": None # @input {"label":"dataframe","type":"DataFrame"}}params = { "inputs": inputs, "select_columns_str": "" # @param {"label":"select_columns_str","type":"string","required":"true","helpTip":""}}select_columns____id___ = MLSSelectColumns(**params)select_columns____id___.run()# @output {"label":"dataframe","name":"select_columns____id___.get_outputs()['output_port_1']","type":"DataFrame"}

样例 inputs = { "dataframe": None # @input {"label":"dataframe","type":"DataFrame"}}params = { "inputs": inputs, "columns_str": "", # @param {"label":"columns_str","type":"string","required":"true","helpTip":""} "ascend_tags_str": "" # @param {"label":"ascend_tags_str","type":"string","required":"true","helpTip":""}}sort_with_columns____id___ = MLSSortWithColumns(**params)sort_with_columns____id___.run()# @output {"label":"dataframe","name":"sort_with_columns____id___.get_outputs()['output_port_1']","type":"DataFrame"}

样例 inputs = { "dataframe": None # @input {"label":"dataframe","type":"DataFrame"}}params = { "inputs": inputs, "column_type_map_str": "" # @param {"label":"column_type_map_str","type":"string","required":"true","helpTip":""}}set_metadata____id___ = MLSSetMetadata(**params)set_metadata____id___.run()# @output {"label":"dataframe","name":"set_metadata____id___.get_outputs()['output_port_1']","type":"DataFrame"}

Step3 使用ML Studio预测 新建一个预测算链。 拖拽读取模型算子至画布，设置“input_model_path”，为预测算链中保存模型路径，例如“./output/SalesForecast”。 拉取读取数据算子，设置“input_file_path”，为测试数据的文件路径，如“/home/ma-user/work/.ml-workspace/built-in-workflow/sales_forecast/sales_predict.csv”。 拉取模型应用算子，分别连接读取模型算子和读取数据算子，端口选择分别如图15和如图16所示。 图15 从读取模型算子连接模型应用算子 图16 从读取数据算子连接模型应用算子 最终预测算链如图17所示。单击运行，得到并查看预测运行结果。 图17 运行预测算链

Step2 使用ML Studio建模 从左侧资产浏览界面拖拽预置算子或自定义算子至右侧算链编辑界面，如图2所示，则创建算子成功。 图2 拖拽创建结点 在画布中，鼠标移至算子结点，从右侧输出端口，如图3所示，拖动连线至下一个算子结点，鼠标尽量放置至如图4 连线结束位置所示红框位置。 图3 从输出端口移动至下一结点 图4 连线结束位置 进行算子连线。 算子之间具有数据的流入流出关系，若源算子与目标算子的输出输入端口数量都为1，则直接连线，如图4所示。 鼠标右键单击读取数据算子，选择“设置参数”，如图5所示在右侧滑出的参数设置窗口填写输入路径， 例如“/home/ma-user/work/.ml-workspace/built-in-workflow/sales_forecast/sales_train.csv”，表示读取文件为该路径下的“sales_train.csv”。 图5 读取数据参数设置 若源算子和目标算子其中一个及以上具有多个输出输入端口，连线时需选择输入输出端口，如图6所示。 数据集分割算子连线随机森林回归算子，数据集分割算子具有输出端口datafram_1和dataframe_2，点击下拉框选择dataframe1为输出端口，随机森林回归算子只有输入端口dataframe，该步操作将数据dataframe1传入随机森林回归算子作为训练数据。 图6 数据集分割连线随机森林回归 右键单击随机森林回归算子，选择“设置参数”，在滑出的参数设置窗口填写标签列为“revenue”，如图7所示。 图7 随机森立回归参数设置 如图8所示，随机森林回归连线模型应用，随机森林回归算子输出pipeline_model传入模型应用算子, 作为模型应用算子的输入模型。 图8 随机森林回归连线模型应用 模型应用算子的dataframe由数据集分割算子的dataframe_2输入，如图9所示。 图9 数据集分割连线模型应用 添加回归评估算子作为评估算子，将其与模型应用连线，右键选择设置参数，填写标签列为“revenue”，如图10所示。 图10 回归评估参数设置 最后添加保存模型算子，将其与随机森林回归算子连线，右键该算子选择参数设置，如图11所示。填写模型保存路径（文件夹级）"./output/SalesForecast"，表示输出模型保存到根目录下output/SalesForecast文件下。 图11 保存模型参数设置 算链创建完成，单击运行，耐心等待几分钟，运行成功，如图12所示。 图12 算链运行成功 若运行失败，双击失败算子或者右键该算子选择编辑代码，如图13所示。在编辑算子代码界面可修改代码进行调试，如图14所示 。 图13 右键选择编辑代码 图14 编辑代码

自定义算子 自定义算子类别中展示开发者自行开发的算子，如图1中蓝色框所示，初始为空。 该界面包含新增自定义算子和上传自定义算子两个按钮，开发者可以直接在线编写算子或上传本地已有的算子。 在当前版本中，一个自定义算子对应一个ipynb文件，开发者可使用Jupyter Lab直接编写算子。并对自定义算子进行删除、重命名、上传或下载操作。 由于算子使用过程中会将ipynb文件中的所有Cell合并为一个Cell，因此建议开发者直接将算子代码写在一个Cell中。

输出设置编写指引 如代码模板所示，算子用于下游算子输入的输出数据封装在类的__output字典里，通过对外函数get_outputs暴露出去，下游算子可以通过调用上游算子类对象的get_outputs函数得到上游算子的输出数据。 #id#标记，是为了防止用户拖拽多个相同算子导致类实例的重名，前端会自动将#id#替换为唯一的id。 #@output标记，能够触发前端的界面响应，通过定义端口的名字、输出值、端口类型等，前端能够定义该算子的端口输出类型，从而和下游算子相同类型的输入端口相连。

样例 inputs = { "dataframe": None # @input {"label":"dataframe","type":"DataFrame"}}params = { "inputs": inputs, "derive_operators_str": "" # @param {"label":"derive_operators_str","type":"string","required":"true","helpTip": ""}}feature_derive____id___ = MLSFeatureDerive(**params)feature_derive____id___.run()# @output {"label":"dataframe","name":"feature_derive____id___.get_outputs()['output_port_1']","type":"DataFrame"}

预置算子 如图1中红色框所示，预置算子列表目前分为数据特征、输入输出、模型工程三大类。带标志的是算子类别，比如数据特征类，该类包含数据特征的子类数据分析、特征工程、数据处理及其算子。详细的预置算子说明请参考预置算子说明章节。 单击算子类对象前图标，即可展开显示子类和算子。 双击数据特征类，展开其子类数据分析、特征工程、数据处理，双击数据分析类，展开其数据分析算子。 单击算子类对象前图标，即可收回其子类和算子。 预置算子不可修改。若需进行修改，需拖拽至画布中，右键算子选择编辑代码进行修改，修改后会保存为新的算子，修改内容不会覆盖原有的预置算子。

自定义算子代码模板 新建自定义算子时，MLS Editor提供了代码模板，方便用户高效开发算子。 class MLSClassName: # init parameters def __init__(self, inputs, param_1, param_2): self.inputs = inputs self.param_1 = param_1 self.param_2 = param_2 self.upper_output = None self._outputs = {} # core code for customized algorithm def run(self): # get upper output of workflow self.upper_output = self.inputs["upper_output"] # ...core code... # output format self._outputs = { "output_port_1": "output_result" } # user called method for getting algorithm result def get_outputs(self): return self._outputs# call form for algorithminputs = { "upper_output": None #@input {"type":"DataFrame"}}params = { "inputs": inputs, "param_1": "param_value_1", #@param {"label":"param_1","type":"string","required":"false","helpTip":""} "param_2": "param_value_2", #@param {"label":"param_1","type":"enum","options":"one,two,three","required":"true","helpTip":""} "param_3": "param_value_3", #@param {"label":"param_1","type":"integer","range":"(0,none)","required":"true","helpTip":""} "param_4": "param_value_4" #@param {"label":"param_1","type":"number","range":"(0,1)","required":"true","helpTip":""}}mls_instance_#id# = MLSClassName(**params)mls_instance_#id#.run()#@output {"label":"dataframe","name":"mls_instance_#id#.get_outputs()['output_port_1']","type":"DataFrame"}

样例 params = { "obs_data_path": "", # @param {"label":"obs_data_path","type":"string","required":"true","helpTip":""} "has_header": True, # @param {"label":"has_header","type":"boolean","required":"false","helpTip":""} "delimiter": "," # @param {"label":"delimiter","type":"string","required":"true","helpTip":""}}mls_read_obs_data____id___ = MLSReadOBSData(**params)mls_read_obs_data____id___.run()# @output {"label":"dataframe","name":"mls_read_obs_data____id___.get_outputs()['output_port_1']","type":"DataFrame"}

样例 params = { "input_file_path": "", # @param {"label":"input_file_path","type":"path","required":"true","helpTip":""} "format": "csv", # @param {"label":"format","type":"string","required":"false","helpTip":""} "has_header": True, # @param {"label":"has_header","type":"boolean","required":"false","helpTip":""} "delimiter": "," # @param {"label":"delimiter","type":"string","required":"false","helpTip":""}}read_data____id___ = MLSReadData(**params)read_data____id___.run()# @output {"label":"dataframe","name":"read_data____id___.get_outputs()['output_port_1']","type":"DataFrame"}

编写自定义算子 用户通过自定义算子功能，可以实现个性化的算子编写。 用户单击“新增自定义算子”图标，新建并打开一个模板算子，即一个算子编辑器（相当于Ipython Notebook的一个cell），输入自定义算子名称，即可以在新建的算子编辑器里面实现自定义算子开发，如图1所示。用户可进行算子编辑、调试、复制、保存等功能。 图1 新增自定义算子 由于算子使用过程中会将ipynb文件中的所有Cell合并为一个Cell，因此建议开发者直接将算子代码写在一个Cell中。 父主题： 算子操作

样例 params = { "obs_model_path": "" # @param {"label":"obs_model_path","type":"string","required":"true","helpTip":""}}mls_read_obs_model____id___ = MLSReadOBSPipelineModel(**params)mls_read_obs_model____id___.run()# @output {"label":"pipeline_model","name":"mls_read_obs_model____id___.get_outputs()['output_port_1']","type":"PipelineModel"}

响应消息体 响应消息体通常以结构化格式返回，与响应消息头中Content-type对应，传递除响应消息头之外的内容。 对于获取用户Token接口，返回如下消息体。为篇幅起见，这里只展示部分内容。 { "token": { "expires_at": "2019-02-13T06:52:13.855000Z", "methods": [ "password" ], "catalog": [ { "endpoints": [ { "region_id": "cn-north-1", ...... 当接口调用出错时，会返回错误码及错误信息说明，错误响应的Body体格式如下所示。 { "error_msg": "The format of message is error", "error_code": "AS.0001" } 其中，error_code表示错误码，error_msg表示错误描述信息。

样例 params = { "input_file_path": "" # @param {"label":"input_file_path","type":"path","required":"true","helpTip":""}}read_parquet_data____id___ = MLSReadParquetData(**params)read_parquet_data____id___.run()# @output {"label":"dataframe","name":"read_parquet_data____id___.get_outputs()['output_port_1']","type":"DataFrame"}

样例 params = { " DLI _database": None, # @param {"label":"DLI_database","type":"string","required":"true","helpTip":""} "DLI_table": None # @param {"label":"DLI_table","type":"string","required":"true","helpTip":""}}read_DLI_table____id___ = MLSReadDLITable(**params)read_DLI_table____id___.run()# @output {"label":"dataframe","name":"read_DLI_table____id___.get_outputs()['output_port_1']","type":"DataFrame"}

概述 欢迎使用代码托管（CodeArts Repo）。 代码托管服务 源自华为千亿级代码管理经验，基于Git，提供企业代码托管的全方位服务,为软件开发者提供基于Git的在线代码托管服务，包括代码克隆/下载/提交/推送/比较/合并/分支/Code Review等功能。 您可以使用本文档提供的API对代码托管服务进行相关操作，如创建仓库、添加部署密钥、添加仓库成员等。支持的全部操作请参见API概览。 在调用代码托管服务的API之前，请确保已经充分了解代码托管服务的相关概念，详细信息请参见产品介绍。 父主题： 使用前必读

状态码 表1 状态码 状态码 编码 错误码说明 100 Continue 继续请求。 这个临时响应用来通知客户端，它的部分请求已经被服务器接收，且仍未被拒绝。 101 Switching Protocols 切换协议。只能切换到更高级的协议。 例如，切换到HTTP的新版本协议。 201 Created 创建类的请求完全成功。 202 Accepted 已经接受请求，但未处理完成。 203 Non-Authoritative Information 非授权信息，请求成功。 204 NoContent 请求完全成功，同时HTTP响应不包含响应体。 在响应OPTIONS方法的HTTP请求时返回此状态码。 205 Reset Content 重置内容，服务器处理成功。 206 Partial Content 服务器成功处理了部分GET请求。 300 Multiple Choices 多种选择。请求的资源可包括多个位置，相应可返回一个资源特征与地址的列表用于用户终端（例如：浏览器）选择。 301 Moved Permanently 永久移动，请求的资源已被永久的移动到新的URI，返回信息会包括新的URI。 302 Found 资源被临时移动。 303 See Other 查看其它地址。 使用GET和POST请求查看。 304 Not Modified 所请求的资源未修改，服务器返回此状态码时，不会返回任何资源。 305 Use Proxy 所请求的资源必须通过代理访问。 306 Unused 已经被废弃的HTTP状态码。 400 BadRequest 非法请求。 建议直接修改该请求，不要重试该请求。 401 Unauthorized 在客户端提供认证信息后，返回该状态码，表明服务端指出客户端所提供的认证信息不正确或非法。 402 Payment Required 保留请求。 403 Forbidden 请求被拒绝访问。 返回该状态码，表明请求能够到达服务端，且服务端能够理解用户请求，但是拒绝做更多的事情，因为该请求被设置为拒绝访问，建议直接修改该请求，不要重试该请求。 404 NotFound 所请求的资源不存在。 建议直接修改该请求，不要重试该请求。 405 MethodNotAllowed 请求中带有该资源不支持的方法。 建议直接修改该请求，不要重试该请求。 406 Not Acceptable 服务器无法根据客户端请求的内容特性完成请求。 407 Proxy Authentication Required 请求要求代理的身份认证，与401类似，但请求者应当使用代理进行授权。 408 Request Time-out 服务器等候请求时发生超时。 客户端可以随时再次提交该请求而无需进行任何更改。 409 Conflict 服务器在完成请求时发生冲突。 返回该状态码，表明客户端尝试创建的资源已经存在，或者由于冲突请求的更新操作不能被完成。 410 Gone 客户端请求的资源已经不存在。 返回该状态码，表明请求的资源已被永久删除。 411 Length Required 服务器无法处理客户端发送的不带Content-Length的请求信息。 412 Precondition Failed 未满足前提条件，服务器未满足请求者在请求中设置的其中一个前提条件。 413 Request Entity Too Large 由于请求的实体过大，服务器无法处理，因此拒绝请求。为防止客户端的连续请求，服务器可能会关闭连接。如果只是服务器暂时无法处理，则会包含一个Retry-After的响应信息。 414 Request-URI Too Large 请求的URI过长（URI通常为网址），服务器无法处理。 415 Unsupported Media Type 服务器无法处理请求附带的媒体格式。 416 Requested range not satisfiable 客户端请求的范围无效。 417 Expectation Failed 服务器无法满足Expect的请求头信息。 422 UnprocessableEntity 请求格式正确，但是由于含有语义错误，无法响应。 429 TooManyRequests 表明请求超出了客户端访问频率的限制或者服务端接收到多于它能处理的请求。建议客户端读取相应的Retry-After首部，然后等待该首部指出的时间后再重试。 500 InternalServerError 表明服务端能被请求访问到，但是不能理解用户的请求。 501 Not Implemented 服务器不支持请求的功能，无法完成请求。 502 Bad Gateway 充当网关或代理的服务器，从远端服务器接收到了一个无效的请求。 503 ServiceUnavailable 被请求的服务无效。 建议直接修改该请求，不要重试该请求。 504 ServerTimeout 请求在给定的时间内无法完成。客户端仅在为请求指定超时（Timeout）参数时会得到该响应。 505 HTTP Version not supported 服务器不支持请求的HTTP协议的版本，无法完成处理。 父主题： 附录

Token认证 Token的有效期为24小时，需要使用一个Token鉴权时，可以先缓存起来，避免频繁调用。 Token在计算机系统中代表令牌（临时）的意思，拥有Token就代表拥有某种权限。Token认证就是在调用API的时候将Token加到请求消息头，从而通过身份认证，获得操作API的权限。 Token可通过调用获取用户Token接口获取，调用本服务API需要project级别的Token，即调用获取用户Token接口时，请求body中auth.scope的取值需要选择project，如下所示。 { "auth": { "identity": { "methods": [ "password" ], "password": { "user": { "name": "username", "password": "********", "domain": { "name": "domainname" } } } }, "scope": { "project": { "name": "xxxxxxxx" } } } } 获取Token 后，再调用其他接口时，您需要在请求消息头中添加“X-Auth-Token”，其值即为Token。例如Token值为“ABCDEFJ....”，则调用接口时将“X-Auth-Token: ABCDEFJ....”加到请求消息头即可，如下所示。 GET https://iam.cn-north-1.myhuaweicloud.com/v3/auth/projects Content-Type: application/json X-Auth-Token: ABCDEFJ.... 您还可以通过这个视频教程了解如何使用Token认证：https://bbs.huaweicloud.com/videos/101333 。

AK/SK认证 AK/SK签名认证方式仅支持消息体大小12M以内，12M以上的请求请使用Token认证。 AK/SK认证就是使用AK/SK对请求进行签名，在请求时将签名信息添加到消息头，从而通过身份认证。 AK(Access Key ID)：访问密钥ID。与私有访问密钥关联的唯一标识符；访问密钥ID和私有访问密钥一起使用，对请求进行加密签名。 SK(Secret Access Key)：与访问密钥ID结合使用的密钥，对请求进行加密签名，可标识发送方，并防止请求被修改。 使用AK/SK认证时，您可以基于签名算法使用AK/SK对请求进行签名，也可以使用专门的签名SDK对请求进行签名。详细的签名方法和SDK使用方法请参见API签名指南。 签名SDK只提供签名功能，与服务提供的SDK不同，使用时请注意。