本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 資料準備
<a name="canvas-data-prep"></a>

**注意**  
先前，Amazon SageMaker Data Wrangler 是 SageMaker Studio Classic 體驗的一部分。現在，如果您更新為使用新的 Studio 體驗，則必須使用 SageMaker Canvas 存取 Data Wrangler 並接收最新的功能更新。如果您一直使用 Studio Classic 中的 Data Wrangler，但想要遷移到 Canvas 中的 Data Wrangler，您可能必須授予其他許可，才能建立和使用 Canvas 應用程式。如需詳細資訊，請參閱[(選用) 從 Studio Classic 中的 Data Wrangler 遷移至 SageMaker Canvas](studio-updated-migrate-ui.md#studio-updated-migrate-dw)。  
若要了解如何從 Studio Classic 中的 Data Wrangler 遷移您的資料流程，請參閱 [(選用) 將資料從 Studio Classic 遷移至 Studio](studio-updated-migrate-data.md)。

使用 Amazon SageMaker Canvas 中的 Amazon SageMaker Data Wrangler 來準備、特徵化和分析您的資料。您可以將 Data Wrangler 資料準備流程整合到您的機器學習 (ML) 工作流程中，幾乎不使用程式碼，簡化和精簡資料預先處理和特徵工程。您也可以新增自己的 Python 指令碼和轉換來自訂工作流程。
+ **資料流程**——建立資料流程來定義一系列機器學習資料準備步驟。您可以使用一個流程來合併不同資料來源的資料集、識別要套用至資料集的轉換數量和類型，以及定義可整合至機器學習管道的資料準備工作流程。
+ **轉換**——使用字串、向量和數值資料格式化工具等標準*轉換*來清理及轉換資料集。使用文字、日期/時間內嵌項目和分類編碼等轉換，將資料特徵化。
+ **產生資料洞見** - 使用 Data Wrangler 資料品質和洞見報告，自動驗證資料品質並偵測資料中的異常情況。
+ **分析**——在流程中的任何時間點分析您的資料集中的特徵。Data Wrangler 包含散佈圖和長條圖等內建資料視覺化工具，以及目標洩漏分析和快速建模等資料分析工具，以了解特徵相互關聯性。
+ **匯出**——將資料準備工作流程匯出至其他位置。以下為範例位置：
  + Amazon Simple Storage Service (Amazon S3) 儲存貯體
  + Amazon SageMaker Feature Store——將特徵及其資料存放在集中式存放區中。
+ **自動化資料準備** - 從您的資料流程建立機器學習工作流程。
  + Amazon SageMaker Pipelines - 建置工作流程，管理 SageMaker AI 資料準備、模型訓練和模型部署任務。
  + 序列推論管道 - 從您的資料流程建立序列推論管道。使用它對新資料進行預測。
  + Python 指令碼——將資料及其轉換存放在自訂工作流程的 Python 指令碼中。