Experience Snowflake with Legacy Snowflake Notebooks¶

Exemplo de uso¶

O Snowpark Python vem pré-instalado no ambiente Snowflake Notebooks. O exemplo a seguir usa a biblioteca Snowpark em um notebook para ler em um arquivo CSV e uma tabela Snowflake e exibir seu conteúdo como saída.

1. No notebook, adicione uma célula Python, usando o atalho de teclado ou selecionando + Python. Snowflake Notebooks e Snowpark oferecem suporte a Python 3.9.

2. Configure uma sessão de Snowpark. Em notebooks, a variável do contexto de sessão é pré-configurada. Você pode usar o método get_active_session para obter a variável do contexto de sessão:

   CopyExpand

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

   Show lessSee more

   Scroll to top

3. Use o Snowpark para carregar um arquivo CSV em um Snowpark DataFrame de um local de estágio. Este exemplo usa um estágio chamado tastybyte_stage.

   CopyExpand

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

   Show lessSee more

   Scroll to top

4. Carregue uma tabela Snowflake existente, app_order, ao Snowpark DataFrame.

   CopyExpand

   df = session.table("APP_ORDER")
   

   Show lessSee more

   Scroll to top

5. Mostre o Snowpark DataFrame.

   CopyExpand

   df
   

   Show lessSee more

   Scroll to top

Limitações do Snowpark¶

• Um notebook Snowflake cria uma sessão Snowpark, para que você possa usar a maioria dos métodos disponíveis em uma classe de sessão Snowpark. Entretanto, como um notebook é executado dentro do Snowflake e não em seu ambiente de desenvolvimento local, você não pode usar os seguintes métodos:

  • session.add_import

  • session.add_packages

  • session.add_requirements

• Algumas operações do Snowpark Python não funcionam com SPROCs. Para uma lista completa de operações, consulte Limitações do procedimento armazenado do Python.

Exemplo de uso¶

O Streamlit vem pré-instalado com o ambiente dos Snowflake Notebooks. O exemplo nesta seção cria um aplicativo de dados interativo usando o Streamlit.

1. Importação das bibliotecas necessárias

   CopyExpand

   import streamlit as st
   import pandas as pd
   

   Show lessSee more

   Scroll to top

2. Primeiro, crie alguns dados de exemplo para o aplicativo.

   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. Configure seu controle deslizante interativo na biblioteca Streamlit.

   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. Por fim, mostre uma tabela filtrada com base no valor do controle deslizante.

   CopyExpand

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

   Show lessSee more

   Scroll to top

Você pode interagir com o aplicativo em tempo real a partir do notebook. Veja a tabela filtrada mudar com base no valor definido no controle deslizante.

Suporte Streamlit em notebooks¶

Mapbox e Carto fornecem blocos de mapa quando você usa os comandos st.map ou st.pydeck_chart do Streamlit.

Em tempos de execução de warehouse, que gerenciam seus pacotes com o conda, o Mapbox e o Carto são aplicativos de terceiros sujeitos aos Termos de ofertas externas do Snowflake.

Para usar esses comandos em tempos de execução de warehouse, você deve confirmar os Termos de ofertas externas. Os tempos de execução de contêiner não exigem essa confirmação.

Os seguintes elementos do Streamlit não são compatíveis no Notebooks:

• st.set_page_config

  Não há suporte para as propriedades page_title, page_icon e menu_items do comando st.set_page_config.

Exemplo de uso¶

Para usar o registro de ML do Snowflake, instale a biblioteca snowflake-ml-python em seu notebook:

1. Em seu notebook, selecione Packages na parte superior.

2. Procure pelo pacote snowflake-ml-python e selecione a biblioteca a ser instalada.

Aqui está um exemplo de como você pode usar o registro de ML do Snowflake para registrar um modelo em log:

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()

Exemplo de uso¶

O Snowpark pandas está disponível no Snowpark Python versão 1.17 e posteriores. O Snowpark Python vem pré-instalado com o ambiente de Snowflake Notebooks.

1. Para instalar o Modin, selecione modin em Packages e certifique-se de que a versão seja 0.28.1 ou posterior.

2. Para definir a versão do pandas, selecione pandas em Packages e certifique-se de que a versão seja 2.2.1.

Em uma célula Python, importe Snowpark Python e Modin:

CopyExpand

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

Show lessSee more

Scroll to top

1. Crie uma sessão Snowpark:

   CopyExpand

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

   Show lessSee more

   Scroll to top

2. Comece a usar a 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