Snowflake mit Notebooks erleben¶

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:

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

   Copy

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.

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

   Copy

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

   df = session.table("APP_ORDER")
   

   Copy

5. Zeigen Sie den Snowpark-DataFrame an.

   df
   

   Copy

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.

   import streamlit as st
   import pandas as pd
   

   Copy

2. Erstellen Sie zunächst einige Beispieldaten für die App.

   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
   

   Copy

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

   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 )
   

   Copy

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

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

   Copy

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¶

Bei Verwendung der Streamlit-Befehle st.map und st.pydeck_chart stellt Mapbox die Kartenkacheln beim Rendern von Karteninhalten bereit. Mapbox ist eine Anwendung eines Drittanbieters und unterliegt den Bedingungen für externe Angebote von Snowflake.

Die folgenden Streamlit-Elemente werden in Notebooks nicht unterstützt:

• st.bokeh_chart

• st.camera_input

• st.feedback

• st.file_uploader

• st.set_page_config

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

• st.experimental_audio_input

• st.experimental_get_query_params

• st.experimental_set_query_params

• st.components.v1.iframe

• st.components.v1.declare_component

• Anker-Links

• Materialsymbole in Markdown

Nutzungsbeispiel¶

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

1. Wählen Sie im Notebook Packages aus.

2. Suchen Sie die Bibliothek snowflake-ml-python, und wählen Sie die Bibliothek aus, um sie zu installieren.

Hier ist ein Beispiel dafür, wie Sie die Snowpark ML-Bibliothek für die Vorverarbeitung Ihrer Daten verwenden können:

import snowflake.ml.modeling.preprocessing as pp

# Initialize a StandardScaler object with input and output column names
scaler = pp.StandardScaler(
    input_cols=feature_names_input,
    output_cols=feature_names_input
)

# Fit the scaler to the dataset
scaler.fit(upsampled_data)

# Transform the dataset using the fitted scaler
scaled_features = scaler.transform(upsampled_data)
scaled_features

Hier ist ein Beispiel dafür, wie Sie die Snowpark ML-Bibliothek für Modelltraining und Inferenz verwenden können:

from snowflake.ml.modeling.ensemble import RandomForestClassifier

# Initialize a RandomForestClassifier object with input, label, and output column names
model = RandomForestClassifier(
    input_cols=feature_names_input,
    label_cols=label,
    output_cols=output_label,
)

# Train the RandomForestClassifier model using the training set
model.fit(training)

# Predict the target variable for the testing set using the trained model
results = model.predict(testing)

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:

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

Copy

1. Erstellen Sie eine Snowpark-Sitzung:

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

   Copy

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

   # 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"]
   

   Copy