Explorer Snowflake avec des notebooks¶

Exemple d’utilisation¶

Snowpark Python est préinstallé dans l’environnement Snowflake Notebooks. L’exemple suivant utilise la bibliothèque Snowpark dans un notebook pour lire un fichier CSV et une table Snowflake et afficher son contenu en sortie.

1. Dans votre notebook, ajoutez une cellule Python, soit en utilisant le raccourci clavier, soit en sélectionnant + Python. Snowflake Notebooks et Snowpark supportent tous deux Python 3.9.

2. Configurer une session de Snowpark. Dans les notebooks, la variable contextuelle de la session est préconfigurée. Vous pouvez utiliser la méthode get_active_session pour obtenir la variable de contexte de la session :

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

   Copy

3. Utilisez Snowpark pour charger un fichier CSV dans un DataFrame Snowpark à partir d’une zone de préparation. Cet exemple utilise une zone de préparation appelée tastybyte_stage.

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

   Copy

4. Chargez une table Snowflake existante, app_order, dans le DataFrame Snowpark.

   df = session.table("APP_ORDER")
   

   Copy

5. Affichez le DataFrame Snowpark.

   df
   

   Copy

Limites de Snowpark¶

• Un notebook Snowflake crée une session Snowpark, vous pouvez donc utiliser la plupart des méthodes disponibles dans une classe de session Snowpark. Cependant, étant donné qu’un notebook s’exécute à l’intérieur de Snowflake plutôt que dans votre environnement de développement local, vous ne pouvez pas utiliser les méthodes suivantes :

  • session.add_import

  • session.add_packages

  • session.add_requirements

• Certaines opérations de Snowpark Python ne fonctionnent pas avec les SPROCs. Pour obtenir la liste complète des opérations, consultez Limitations des procédures stockées Python.

Exemple d’utilisation¶

Streamlit est livré préinstallé avec l’environnement de Snowflake Notebooks. L’exemple de cette section crée une application de données interactive à l’aide de Streamlit.

1. Importez les bibliothèques nécessaires

   import streamlit as st
   import pandas as pd
   

   Copy

2. Créez d’abord quelques données d’exemple pour l’application.

   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. Installez votre curseur interactif à partir de la bibliothèque Streamlit.

   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. Enfin, affichez une table filtrée en fonction de la valeur du curseur.

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

   Copy

Vous pouvez interagir avec l’application en temps réel à partir du notebook. Voyez la table filtrée changer en fonction de la valeur que vous avez définie sur le curseur.

Prise en charge de Streamlit dans Notebooks¶

Lorsque vous utilisez les commandes Streamlit st.map ou st.pydeck_chart, Mapbox fournit les vignettes de la carte lors du rendu du contenu de la carte. Mapbox est une application tierce et est soumise aux Conditions des conditions des offres externes Snowflake.

Les éléments Streamlit suivants ne sont pas pris en charge dans Notebooks :

• st.bokeh_chart

• st.camera_input

• st.feedback

• st.file_uploader

• st.set_page_config

  Les propriétés page_title, page_icon et menu_items de la commande st.set_page_config ne sont pas prises en charge.

• st.experimental_audio_input

• st.experimental_get_query_params

• st.experimental_set_query_params

• st.components.v1.iframe

• st.components.v1.declare_component

• Liens d’ancrage

• Icônes matérielles en Markdown

Exemple d’utilisation¶

Pour utiliser Snowpark ML, installez la bibliothèque snowflake-ml-python pour votre notebook :

1. À partir du notebook, sélectionnez Packages.

2. Localisez la bibliothèque snowflake-ml-python et sélectionnez-la pour l’installer.

Voici un exemple de la façon dont vous pouvez utiliser la bibliothèque Snowpark ML pour le prétraitement de vos données :

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

Voici un exemple de la façon dont vous pouvez utiliser la bibliothèque Snowpark ML pour l’entraînement et l’inférence de modèles :

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)

Exemple d’utilisation¶

Pour utiliser le registre ML de Snowflake, installez la bibliothèque snowflake-ml-python pour votre notebook :

1. Depuis votre notebook, sélectionnez Packages en haut de la page.

2. Recherchez le paquet snowflake-ml-python et sélectionnez la bibliothèque pour l’installer.

Voici un exemple de la façon dont vous pouvez utiliser le registre ML de Snowflake pour enregistrer un modèle :

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()

Exemple d’utilisation¶

Snowpark Pandas est disponible à partir de la version 1.17 de Snowpark Python. Snowpark Python est pré-installé avec l’environnement Snowflake Notebooks.

1. Pour installer Modin, sélectionnez modin à partir de Packages et assurez-vous que la version est 0.28.1 ou ultérieure.

2. Pour définir la version de Pandas, sélectionnez pandas à partir de Packages et assurez-vous que la version est 2.2.1.

Dans une cellule Python, importez Snowpark Python et Modin :

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

Copy

1. Créez une session Snowpark :

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

   Copy

2. Commencez à utiliser l’API Snowpark Python :

   # 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