Experience Snowflake with Legacy Snowflake Notebooks¶

Nutzungsbeispiel¶

Snowpark Python ist in der Snowflake Notebooks-Umgebung vorinstalliert. Das folgende Beispiel verwendet die Snowpark-Bibliothek in einem Notebook, um eine CSV-Datei und eine Snowflake-Tabelle einzulesen und deren Inhalt als Ausgabe anzuzeigen.

1. Fügen Sie in Ihrem Notebook eine Python-Zelle hinzu, entweder mit dem Tastaturkürzel oder durch Auswahl von + Python. Snowflake Notebooks und Snowpark unterstützen beide Python 3.9.

2. Richten Sie eine Snowpark-Sitzung ein. In Notebooks ist die Sitzungskontextvariable vorkonfiguriert. Sie können die Methode get_active_session verwenden, um die Sitzungskontextvariable zu abzurufen:

   CopyExpand

   from snowflake.snowpark.context import get_active_session
   session = get_active_session()
   

   Show lessSee more

   Scroll to top

3. Verwenden Sie Snowpark, um eine CSV-Datei von einem Stagingbereich in einen Snowpark-DataFrame zu laden. In diesem Beispiel wird ein Stagingbereich namens tastybyte_stage verwendet.

   CopyExpand

   df = session.read.options({"infer_schema":True}).csv('@TASTYBYTE_STAGE/app_order.csv')
   

   Show lessSee more

   Scroll to top

4. Laden Sie die bestehende Snowflake-Tabelle app_order in den Snowpark-DataFrame.

   CopyExpand

   df = session.table("APP_ORDER")
   

   Show lessSee more

   Scroll to top

5. Zeigen Sie den Snowpark-DataFrame an.

   CopyExpand

   df
   

   Show lessSee more

   Scroll to top

Snowpark-Einschränkungen¶

• Ein Snowflake Notebook erstellt eine Snowpark-Sitzung, sodass Sie die meisten der in einer Snowpark-Sitzungsklasse verfügbaren Methoden verwenden können. Da ein Notebook jedoch innerhalb von Snowflake und nicht in Ihrer lokalen Entwicklungsumgebung ausgeführt wird, können Sie die folgenden Methoden nicht verwenden:

  • session.add_import

  • session.add_packages

  • session.add_requirements

• Einige Snowpark Python-Operationen funktionieren nicht mit SPROCs. Eine vollständige Liste der Operationen finden Sie unter Beschränkungen bei gespeicherten Python-Prozeduren.

Nutzungsbeispiel¶

Streamlit wird mit der Snowflake Notebooks-Umgebung vorinstalliert. Das Beispiel in diesem Abschnitt erstellt eine interaktive Daten-App mit Streamlit.

1. Importieren Sie die erforderlichen Bibliotheken.

   CopyExpand

   import streamlit as st
   import pandas as pd
   

   Show lessSee more

   Scroll to top

2. Erstellen Sie zunächst einige Beispieldaten für die App.

   CopyExpand

   species = ["setosa"] * 3 + ["versicolor"] * 3 + ["virginica"] * 3
   measurements = ["sepal_length", "sepal_width", "petal_length"] * 3
   values = [5.1, 3.5, 1.4, 6.2, 2.9, 4.3, 7.3, 3.0, 6.3]
   df = pd.DataFrame({"species": species,"measurement": measurements,"value": values})
   df
   

   Show lessSee more

   Scroll to top

3. Richten Sie Ihren interaktiven Schieberegler aus der Streamlit-Bibliothek ein.

   CopyExpand

   st.markdown("""# Interactive Filtering with Streamlit! :balloon:
               Values will automatically cascade down the notebook cells""")
   value = st.slider("Move the slider to change the filter value 👇", df.value.min(), df.value.max(), df.value.mean(), step = 0.3 )
   

   Show lessSee more

   Scroll to top

4. Zeigen Sie schließlich eine gefilterte Tabelle basierend auf dem Schiebereglerwert an.

   CopyExpand

   df[df["value"]>value].sort_values("value")
   

   Show lessSee more

   Scroll to top

Sie können über das Notebook in Echtzeit mit der App interagieren. Sehen Sie, wie sich die gefilterte Tabelle je nach dem Wert, den Sie mit dem Schieberegler einstellen, verändert.

Streamlit-Unterstützung in Notebooks¶

Mapbox und Carto stellen Kartenkacheln bereit, wenn Sie die Streamlit-Befehle st.map oder st.pydeck_chart verwenden.

In Warehouse-Laufzeitumgebungen, die ihre Pakete mit conda verwalten, sind Mapbox und Carto Anwendungen von Drittanbietern, die den Bedingungen für externe Angebote von Snowflake unterliegen.

Um diese Befehle in den Warehouse-Laufzeiten verwenden zu können, müssen Sie die Bedingungen für externe Angebote anerkennen. Für Container-Laufzeiten ist diese Bestätigung nicht erforderlich.

Die folgenden Streamlit-Elemente werden in Notebooks nicht unterstützt:

• st.set_page_config

  Die Eigenschaften page_title, page_icon und menu_items des Befehls st.set_page_config werden nicht unterstützt.

Nutzungsbeispiel¶

Um die Snowflake ML-Registry zu verwenden, installieren Sie die snowflake-ml-python-Bibliothek für Ihr Notebook:

1. Wählen Sie oben in Ihrem Notebook Packages aus.

2. Suchen Sie nach dem Paket snowflake-ml-python, und wählen Sie die Bibliothek aus, um es zu installieren.

Hier ist ein Beispiel dafür, wie Sie die Snowflake ML-Registry verwenden können, um ein Modell zu protokollieren:

from snowflake.ml.registry import Registry
# Create a registry and log the model
native_registry = Registry(session=session, database_name=db, schema_name=schema)

# Let's first log the very first model we trained
model_ver = native_registry.log_model(
    model_name=model_name,
    version_name='V0',
    model=regressor,
    sample_input_data=X, # to provide the feature schema
)

# Add evaluation metric
model_ver.set_metric(metric_name="mean_abs_pct_err", value=mape)

# Add a description
model_ver.comment = "This is the first iteration of our Diamonds Price Prediction model. It is used for demo purposes."

# Show Models
native_registry.get_model(model_name).show_versions()

Nutzungsbeispiel¶

Snowpark pandas ist in Snowpark Python Version 1.17 und höher verfügbar. Snowpark Python wird mit der Snowflake Notebooks-Umgebung vorinstalliert.

1. Um Modin zu installieren, wählen Sie modin aus Packages, und stellen Sie sicher, dass die Version 0.28.1 oder höher ist.

2. Um die pandas-Version einzustellen, wählen Sie pandas aus Packages, und stellen Sie sicher, dass die Version 2.2.1 ist.

Importieren Sie Snowpark Python und Modin in eine Python-Zelle:

CopyExpand

import modin.pandas as pd
import snowflake.snowpark.modin.plugin

Show lessSee more

Scroll to top

1. Erstellen Sie eine Snowpark-Sitzung:

   CopyExpand

   from snowflake.snowpark.context import get_active_session
   session = get_active_session()
   

   Show lessSee more

   Scroll to top

2. Starten Sie mit der Verwendung der Snowpark Python-API:

   CopyExpand

   # Create a Snowpark Pandas DataFrame with sample data.
   df = pd.DataFrame([[1, 'Big Bear', 8],[2, 'Big Bear', 10],[3, 'Big Bear', None],
                       [1, 'Tahoe', 3],[2, 'Tahoe', None],[3, 'Tahoe', 13],
                       [1, 'Whistler', None],['Friday', 'Whistler', 40],[3, 'Whistler', 25]],
                       columns=["DAY", "LOCATION", "SNOWFALL"])
   # Drop rows with null values.
   df.dropna()
   # Compute the average daily snowfall across locations.
   df.groupby("LOCATION").mean()["SNOWFALL"]
   

   Show lessSee more

   Scroll to top