ノートブックでSnowflakeを体験する¶

使用例¶

Snowpark Python は Snowflake Notebooks 環境にプリインストールされています。次の例では、ノートブックでSnowparkライブラリを使用して、CSVファイルとSnowflakeテーブルを読み込み、その内容を出力として表示します。

1. ノートブックにPythonセルを追加します。 キーボードショートカット を使うか、 + Python を選択します。 Snowflake Notebooks と Snowpark はどちらも Python 3.9 をサポートしています。

2. Snowparkセッションのセットアップ。ノートブックでは、セッションコンテキスト変数はあらかじめ設定されています。セッションコンテキスト変数を取得するには、 get_active_session メソッドを使用します。

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

   Copy

3. Snowparkを使って、CSVファイルをステージングされた場所からSnowpark DataFrameに読み込みます。この例では、 tastybyte_stage というステージングを使用しています。

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

   Copy

4. 既存のSnowflakeテーブル app_order をSnowpark DataFrame にロードします。

   df = session.table("APP_ORDER")
   

   Copy

5. Snowpark DataFrameを表示します。

   df
   

   Copy

Snowparkの制限事項¶

• SnowflakeノートブックはSnowparkセッションを作成するので、Snowparkセッションクラスで利用可能なメソッドのほとんどを使用することができます。ただし、ノートブックはローカルの開発環境ではなくSnowflakeの内部で実行されるため、以下の方法は使用できません：

  • session.add_import

  • session.add_packages

  • session.add_requirements

• Snowpark Pythonのいくつかの操作は、SPROCsで機能しません。操作の包括的なリストについては、 Python ストアドプロシージャの制限 をご参照ください。

使用例¶

Streamlit には Snowflake Notebooks 環境がプリインストールされています。このセクションの例では、Streamlitを使用してインタラクティブなデータアプリを作成します。

1. 必要なライブラリをインポートする

   import streamlit as st
   import pandas as pd
   

   Copy

2. まず、アプリのサンプルデータを作成します。

   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. Streamlitライブラリからインタラクティブスライダーを設定してください。

   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. 最後に、スライダーの値に基づいてフィルタリングされた表を表示します。

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

   Copy

ノートブックからリアルタイムでアプリを操作できます。スライダーで設定した値に基づいて、フィルタリングされた表が変化するのを確認してください。

NotebooksでのStreamlitサポート¶

st.map または st.pydeck_chart Streamlitコマンドを使用する場合、Mapboxはマップコンテンツのレンダリング時にマップタイルを提供します。Mapboxはサードパーティのアプリケーションであり、Snowflakeの 外部製品規約 が適用されます。

以下のStreamlit要素はNotebooksではサポートされていません。

• st.bokeh_chart

• st.camera_input

• st.フィードバック

• st.file_uploader

• st.set_page_config

  st.set_page_config コマンドの page_title, page_icon, menu_items プロパティには対応していません。

• st.experimental_audio_input

• st.experimental_get_query_params

• st.experimental_set_query_params

• st.components.v1.iframe

• st.components.v1.declare_component

• アンカーリンク

• Markdown の素材アイコン

使用例¶

Snowpark ML を使用するには、ノートブック用の snowflake-ml-python ライブラリをインストールしてください：

1. ノートブックから、 Packages を選択します。

2. snowflake-ml-python ライブラリを探し、インストールするライブラリを選択します。

以下は、データの前処理にSnowpark MLライブラリを使用する例です。

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

Snowpark MLライブラリをモデル学習と推論に使用する例を示します。

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)

使用例¶

Snowflake ML レジストリを使用するには、ノートブック用の snowflake-ml-python ライブラリをインストールします。

1. ノートブックから、一番上の Packages を選択します。

2. snowflake-ml-python パッケージを検索し、ライブラリを選択してインストールします。

以下は、Snowflake MLレジストリを使用してモデルをログに記録する方法の例です。

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()

使用例¶

Snowpark pandasはSnowpark Pythonバージョン1.17以降で可用性です。Snowpark Pythonには Snowflake Notebooks 環境がプリインストールされています。

1. Modinをインストールするには、 Packages から modin を選択し、バージョンが0.28.1以降であることを確認してください。

2. pandasのバージョンをセットするには、 Packages から pandas を選択し、バージョンが2.2.1であることを確認します。

Pythonのセルに、Snowpark PythonとModinをインポートします。

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

Copy

1. Snowparkセッションを作成します。

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

   Copy

2. Snowpark Python APIの使用を開始します。

   # 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