# Gérer les ensembles de données
<a name="datasets-manage"></a>

Cette rubrique traite de la création, de la récupération, de la liste, de la mise à jour et de la suppression d'ensembles de données.

## Créer un ensemble de données
<a name="datasets-create"></a>

L'`CreateDataset`API crée un nouvel ensemble de données d'évaluation. Il s'agit d'une opération asynchrone (HTTP 202) : l'ensemble de données passe de `CREATING` à `ACTIVE` une fois l'ingestion terminée.

 **Paramètres obligatoires :** `datasetName` (caractères alphanumériques et traits de soulignement uniquement`^[a-zA-Z][a-zA-Z0-9_]{0,47}$`)`schemaType`, et `source` (exemples en ligne ou URI S3).

 **Paramètres facultatifs :**`description`, `kmsKeyArn` (clé de chiffrement gérée par le client, immuable après la création — voir [Chiffrement du jeu de données](datasets-encryption.md)),`tags`.

Les exemples suivants montrent comment créer un ensemble de données :

**Example**  

1. 

   ```
   # Add a dataset to your project
   agentcore add dataset --name my_eval_dataset \
       --schema-type AGENTCORE_EVALUATION_PREDEFINED_V1
   
   # Edit the generated JSONL file with your scenarios
   # File location: agentcore/datasets/my_eval_dataset.jsonl
   
   # Deploy to create the dataset in your AWS account
   agentcore deploy
   ```

   Cela crée un fichier JSONL local et enregistre le jeu de données dans la configuration de votre projet. Exécutez `agentcore deploy` pour créer la ressource de jeu de données et synchroniser les exemples avec le service.
**Note**  
Exécutez-le depuis un répertoire de AgentCore projet (créé avec`agentcore create`).

1. 

   ```
   from bedrock_agentcore.evaluation import DatasetClient
   
   client = DatasetClient(region_name="us-west-2")
   
   # Create with inline examples (polls until ACTIVE)
   ds = client.create_dataset_and_wait(
       datasetName="customer_support_scenarios",
       schemaType="AGENTCORE_EVALUATION_PREDEFINED_V1",
       source={
           "inlineExamples": {
               "examples": [
                   {
                       "scenario_id": "TC-01",
                       "turns": [{"input": "What is my balance?", "expected_response": "Your balance is $50."}],
                       "assertions": ["Response includes a dollar amount"],
                   }
               ]
           }
       },
   )
   print(f"Dataset ID: {ds['datasetId']}, Status: {ds['status']}")
   
   # Create with S3 source
   ds = client.create_dataset_and_wait(
       datasetName="my_s3_dataset",
       schemaType="AGENTCORE_EVALUATION_PREDEFINED_V1",
       source={"s3Source": {"s3Uri": "s3://my-bucket/scenarios.jsonl"}},
   )
   ```
**Note**  
Pour l'ingestion de S3, chaque ligne du fichier JSONL doit inclure un `exampleId` champ. Le compartiment S3 doit être accessible à l'aide des informations d'identification de l'appelant.

1. 

   ```
   import boto3
   import time
   
   client = boto3.client('bedrock-agentcore-control')
   
   response = client.create_dataset(
       datasetName='customer_support_scenarios',
       schemaType='AGENTCORE_EVALUATION_PREDEFINED_V1',
       source={
           'inlineExamples': {
               'examples': [
                   {
                       'scenario_id': 'TC-01',
                       'turns': [{'input': 'What is my balance?', 'expected_response': 'Your balance is $50.'}],
                       'assertions': ['Response includes a dollar amount'],
                   }
               ]
           }
       }
   )
   dataset_id = response['datasetId']
   
   # Create with S3 source
   response = client.create_dataset(
       datasetName='my_s3_dataset',
       schemaType='AGENTCORE_EVALUATION_PREDEFINED_V1',
       source={
           's3Source': {'s3Uri': 's3://my-bucket/scenarios.jsonl'}
       }
   )
   
   # Poll until ACTIVE
   while True:
       ds = client.get_dataset(datasetId=dataset_id)
       if ds['status'] in ('ACTIVE', 'CREATE_FAILED'):
           break
       time.sleep(2)
   ```

1. 

   ```
   # Create with inline examples
   aws bedrock-agentcore-control create-dataset \
       --dataset-name "customer_support_scenarios" \
       --schema-type AGENTCORE_EVALUATION_PREDEFINED_V1 \
       --source '{"inlineExamples": {"examples": [{"scenario_id": "TC-01", "turns": [{"input": "What is my balance?", "expected_response": "Your balance is $50."}], "assertions": ["Response includes a dollar amount"]}]}}'
   
   # Create with S3 source
   aws bedrock-agentcore-control create-dataset \
       --dataset-name "my_s3_dataset" \
       --schema-type AGENTCORE_EVALUATION_PREDEFINED_V1 \
       --source '{"s3Source": {"s3Uri": "s3://my-bucket/scenarios.jsonl"}}'
   
   # Poll until ACTIVE
   aws bedrock-agentcore-control get-dataset \
       --dataset-id my-dataset-id
   ```

## Obtenir un ensemble de données
<a name="datasets-get"></a>

L'`GetDataset`API récupère les métadonnées, le statut, le nombre d'exemples et une URL de téléchargement présignée pour le contenu de l'ensemble de données. Par défaut, lit le brouillon ; spécifiez `datasetVersion` pour une version publiée.

`downloadUrl`Il s'agit d'une URL S3 présignée pour le `dataset.jsonl` fichier complet. Vous pouvez le télécharger avec une simple requête HTTP GET sans en-têtes d'authentification.

Les exemples suivants montrent comment obtenir un ensemble de données :

**Example**  

1. 

   ```
   # Show dataset deployment status and metadata
   agentcore status --type dataset
   
   # Download dataset content to your local JSONL file (default: Draft)
   agentcore dataset download --name my_eval_dataset
   
   # Download a specific published version
   agentcore dataset download --name my_eval_dataset --version 1
   ```

1. 

   ```
   from bedrock_agentcore.evaluation import DatasetClient
   
   client = DatasetClient(region_name="us-west-2")
   
   # Get dataset (default: Draft)
   ds = client.get_dataset(datasetId="my-dataset-id")
   print(f"Status: {ds['status']}, Examples: {ds['exampleCount']}")
   print(f"Download URL: {ds['downloadUrl']}")
   
   # Get a specific published version
   ds_v1 = client.get_dataset(datasetId="my-dataset-id", datasetVersion="1")
   ```

1. 

   ```
   import boto3
   
   client = boto3.client('bedrock-agentcore-control')
   
   response = client.get_dataset(datasetId='my-dataset-id')
   print(f"Status: {response['status']}, Examples: {response['exampleCount']}")
   
   # Download the dataset content via presigned URL
   if 'downloadUrl' in response:
       import requests
       data = requests.get(response['downloadUrl'])
       print(data.text)
   
   # Get a specific published version
   response = client.get_dataset(datasetId='my-dataset-id', datasetVersion='1')
   ```

1. 

   ```
   # Get dataset (default: Draft)
   aws bedrock-agentcore-control get-dataset \
       --dataset-id my-dataset-id
   
   # Get a specific published version
   aws bedrock-agentcore-control get-dataset \
       --dataset-id my-dataset-id \
       --dataset-version 1
   ```

## Lister les ensembles de données
<a name="datasets-list"></a>

L'`ListDatasets`API renvoie une liste paginée des ensembles de données de votre compte et de votre région.

Les exemples suivants montrent comment répertorier des ensembles de données :

**Example**  

1. 

   ```
   agentcore status --type dataset
   ```

1. 

   ```
   from bedrock_agentcore.evaluation import DatasetClient
   
   client = DatasetClient(region_name="us-west-2")
   
   response = client.list_datasets()
   for dataset in response["datasets"]:
       print(f"  {dataset['datasetName']} ({dataset['status']})")
   ```

1. 

   ```
   import boto3
   
   client = boto3.client('bedrock-agentcore-control')
   
   response = client.list_datasets()
   for dataset in response['datasets']:
       print(f"  {dataset['datasetName']} ({dataset['status']})")
   ```

1. 

   ```
   aws bedrock-agentcore-control list-datasets
   ```

## Mettre à jour le jeu
<a name="datasets-update"></a>

L'`UpdateDataset`API met à jour les métadonnées de l'ensemble de données. Il s'agit d'une opération synchrone (HTTP 200). Uniquement `description` et `tags` peut être mis à jour. `datasetName``schemaType`, et `kmsKeyArn` sont immuables après leur création.

Le jeu de données doit être `ACTIVE` activé `UPDATE_FAILED` ou en `CREATE_FAILED` statut.

Les exemples suivants montrent comment mettre à jour les métadonnées d'un ensemble de données :

**Example**  

1. Pour mettre à jour un ensemble de données à l'aide de la AgentCore CLI, modifiez directement la configuration du jeu de données dans votre `agentcore.json` fichier, puis redéployez :

   ```
   agentcore deploy
   ```

   Ouvrez`agentcore.json`, recherchez l'ensemble de données dans le `datasets` tableau, modifiez-le`description`, puis exécutez-le`agentcore deploy`. Les modifications prennent effet après le déploiement.
**Note**  
Exécutez-le depuis un répertoire de AgentCore projet (créé avec`agentcore create`).

1. 

   ```
   from bedrock_agentcore.evaluation import DatasetClient
   
   client = DatasetClient(region_name="us-west-2")
   
   client.update_dataset(datasetId="my-dataset-id", description="Updated description")
   ```

1. 

   ```
   import boto3
   
   client = boto3.client('bedrock-agentcore-control')
   
   client.update_dataset(datasetId='my-dataset-id', description='Updated description')
   ```

1. 

   ```
   aws bedrock-agentcore-control update-dataset \
       --dataset-id my-dataset-id \
       --description "Updated description"
   ```

## Supprimer le jeu de données
<a name="datasets-delete"></a>

L'`DeleteDataset`API supprime un ensemble de données. Il s'agit d'une opération asynchrone (HTTP 202).
+  **Suppression complète** (omettre`datasetVersion`) : supprime toutes les versions, le brouillon et l'enregistrement de l'ensemble de données.
+  **Version-specific supprimer** (à spécifier `datasetVersion` sous forme de nombre entier) : supprime uniquement la version publiée.

L'ensemble de données doit avoir le `DELETE_FAILED` statut `ACTIVE` `CREATE_FAILED``UPDATE_FAILED`,, ou.

**Note**  
Seuls les numéros de version entiers sont acceptés pour la suppression spécifique à la version.

Les exemples suivants montrent comment supprimer un ensemble de données :

**Example**  

1. 

   ```
   # Delete a specific published version
   agentcore dataset remove-version 1 --name my_eval_dataset
   
   # Delete entire dataset
   agentcore remove dataset --name my_eval_dataset
   agentcore deploy
   ```

1. 

   ```
   from bedrock_agentcore.evaluation import DatasetClient
   
   client = DatasetClient(region_name="us-west-2")
   
   # Delete a specific published version
   client.delete_dataset_and_wait(datasetId="my-dataset-id", datasetVersion="1")
   
   # Delete entire dataset (polls until complete)
   client.delete_dataset_and_wait(datasetId="my-dataset-id")
   ```

1. 

   ```
   import boto3
   
   client = boto3.client('bedrock-agentcore-control')
   
   # Delete a specific published version
   client.delete_dataset(datasetId='my-dataset-id', datasetVersion='1')
   
   # Delete entire dataset
   client.delete_dataset(datasetId='my-dataset-id')
   ```

1. 

   ```
   # Delete a specific published version
   aws bedrock-agentcore-control delete-dataset \
       --dataset-id my-dataset-id \
       --dataset-version 1
   
   # Delete entire dataset
   aws bedrock-agentcore-control delete-dataset \
       --dataset-id my-dataset-id
   ```