Modifier et exécuter des notebooks dans Workspaces¶

Définir le contexte d’exécution¶

Les notebooks dans Workspaces ne définissent pas automatiquement une base de données ou un schéma. Pour interroger des données, vous devez définir le contexte d’exécution dans une cellule à l’aide des commandes SQLsuivantes :

USE DATABASE <database>;
USE SCHEMA <schema>;

Pour que les notebooks fonctionnent de manière cohérente dans les environnements et les applications clientes, utilisez des noms entièrement qualifiés pour les tables et les autres objets. Par exemple :

-- Query data objects using a fully qualified name
SELECT * FROM TABLE <database_name.schema_name.table_name>;

-- Create a table using a fully qualified name
WITH filtered_events AS (
    SELECT
        user_id,
        event_type,
        event_timestamp
    FROM raw_events
    WHERE event_timestamp >= '2025-01-01'
)
CREATE OR REPLACE TABLE <database_name.schema_name.table_name> AS
SELECT *
FROM filtered_events;

Utiliser le rôle et le sélecteur d’entrepôt¶

Vous pouvez définir le rôle actif et l’entrepôt pour votre notebook.

SnowsightSQL

Utilisez le sélecteur en haut à gauche de l’éditeur de notebooks :

L’entrepôt de requêtes est utilisé pour exécuter les requêtes SQL et le calcul pushdown Snowpark invoqués par le notebook. Il permet également de rendre la grille de données interactive, mais cette opération n’implique aucun frais de crédit.

Pour en savoir plus sur l’utilisation du crédit, voir Configuration du calcul.

Créer une session Snowpark¶

Snowpark est un framework de développement Snowflake qui vous permet de créer des pipelines de données, des transformations et des logiques de machine learning directement dans Snowflake sans déplacer les données hors de la plateforme. Il fournit des APIs qui opèrent sur des données Snowflake comme DataFrames, poussant le calcul vers le moteur de Snowflake pour l’évolutivité, la performance et la sécurité.

Pour utiliser les APIs Snowpark Python dans Notebooks, créez d’abord une session Snowpark dans une cellule Python :

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

Exécuter des cellules¶

Il existe quatre options d’exécution prises en charge :

• Exécuter toutes les cellules

• Exécuter une seule cellule

• Exécuter la cellule actuelle et toutes les cellules ci-dessus (via le menu à points de suspension de la cellule)

• Exécuter la cellule actuelle et toutes les cellules ci-dessous (via le menu à points de suspension de la cellule)

Noms de cellule¶

Vous pouvez attribuer des noms aux cellules pour faciliter la navigation et fournir des étiquettes contextuelles.

Si un fichier .ipynb importé contient déjà des métadonnées de nom ou de titre, ces valeurs sont utilisées automatiquement.

Référencement de cellule¶

Le référencement bidirectionnel de cellules SQL vers Python vous permet de réutiliser les résultats et les variables dans les cellules dans n’importe quel langage, permettant des transitions transparentes entre les workflows SQL et Python.

Vous pouvez survoler l’info-bulle du résultat pour voir le nom du DataFrame que vous pouvez utiliser pour référencer le résultat en Python et SQL.

SELECT * FROM {{uploaded_df}} WHERE "price" > 326;

import pandas as pd

uploaded_df = pd.read_csv("../data/diamonds.csv")
uploaded_df

SELECT * FROM {{uploaded_df}} WHERE "price" > 326;

SELECT * FROM {{dataframe_1}} WHERE "carat" < 1.0
UNION ALL
SELECT * FROM {{dataframe_2}} WHERE "carat" >= 1.0;

Grille de données interactive¶

La grille de données prend en charge :

• Défilement

• Rechercher

• Filtrage

• Tri

• Création de graphiques sans code

Minimap et statut de cellule¶

La minimap génère une table des matières à partir d’en-têtes Markdown et affiche un statut complet en session pour chaque cellule (en cours d’exécution, réussite, échec et modifiée).

Recherche et remplacement globaux¶

Vous pouvez rechercher des mots-clés dans toutes les cellules du notebook actuel. Si vous modifiez une cellule particulière, appuyez sur esc pour quitter d’abord le mode d’édition pour cette cellule.

Pour rechercher des mots-clés dans toutes les cellules du notebook actuel, procédez comme suit :

• Pour rechercher des mots-clés, sélectionnez Search dans la mini-carte, ou utilisez le raccourci clavier CTRL + F.

  Les mots-clés correspondants dans toutes les cellules sont affichés. Si vous le souhaitez, vous pouvez remplacer le terme de recherche par la valeur souhaitée en utilisant Replace next ou Replace all.

Noyau de notebook¶

Le noyau du notebook reste actif tant que le service du notebook se trouve dans l’état RUNNING, ce qui permet d’exécuter sans interruption des processus critiques de longue durée tels que des tâches de formation et d’ingénierie des données ML.

Actions qui n’affectent pas l’exécution du noyau :

• Navigation vers d’autres pages

• Travailler ailleurs dans Snowsight

• Fermeture de votre navigateur

• Arrêt de votre ordinateur

Vous pouvez arrêter ou redémarrer le noyau en utilisant le menu déroulant Connected.

Si le service du notebook est suspendu, le noyau du notebook est également arrêté. Pour plus d’informations, voir Paramétrage du calcul.

Sortie de cellule¶

• Les sorties de cellules ne sont pas enregistrées sur le fichier .ipynb et ne peuvent pas être exportés.

• La sortie des cellules d’un notebook dans des espaces de travail (espaces de travail privés et partagés) est accessible à l’utilisateur qui a exécuté le notebook.

• La visibilité de la sortie des cellules est limitée à l’utilisateur qui a initié l’exécution. Pour exécuter des cellules, votre rôle actif par défaut doit être doté du privilège OWNERSHIP ou du privilège USAGE sur l’objet de projet de notebook (NPO).

Magics Jupyter¶

Les notebooks dans Workspaces exécutent le noyau IPython (Python interactif) et fournissent des cellules Jupyter standard et des lignes de magics. Exécutez %lsmagic pour afficher les magics disponibles.

Par exemple, vous pouvez utiliser la commande générique %run pour appeler un autre notebook :

• Dans une cellule Python de notebook_a, appelez %run path/to/notebook_b.ipynb. Cette action exécute notebook_b dans le même processus Python que notebook_a.

• Pour les variables et les DataFrames pandas dans notebook_b à afficher dans les résultats de cellule notebook_a, veillez à les imprimer explicitement. Par exemple, print(var) ou display(df).

Outils de développement¶

Les outils de développement comprennent Terminal, le Scratchpad et le Variables Explorer. Ces outils vous permettent d’explorer vos données et l’environnement du notebook et d’interagir avec eux.

Pour accéder aux outils de développement, dans la barre de contrôle en haut du notebook, sélectionnez <icon>:ui:Tools.

Vous devez être connecté à un service de notebook pour utiliser les outils de développement. L’utilisation d’un autre service entraîne le redémarrage des outils.

# If installation fails, run `apt update` first
# Install `htop`
apt install htop

# Run `htop`
htop