Freigeben über

Versionshinweise für Databricks Feature Engineering und Legacy-Feature Store für Arbeitsbereiche

Auf dieser Seite sind die Releases des Databricks Feature Engineering Clients im Unity Catalog und des Databricks Workspace Feature Store Clients aufgeführt. Beide Clients sind auf PyPI verfügbar: databricks-feature-engineering und databricks-feature-store.

Die Bibliotheken werden verwendet für:

  • Erstellen, Lesen und Schreiben von Featuretabellen
  • Modelle auf Merkmalsdaten trainieren.
  • Veröffentlichen von Featuretabellen in Onlinespeichern für Echtzeitbereitstellung

Die Verwendungsdokumentation finden Sie im Databricks Feature Store. Die Dokumentation zur Python-API finden Sie unter Python-API.

Der Client für Feature Engineering in Unity Catalog arbeitet mit Features und Featuretabellen im Unity Catalog. Der Arbeitsbereichsclient im Feature Store funktioniert für Features und Featuretabellen im Arbeitsbereich-Feature Store. Beide Clients sind in Databricks Runtime für Machine Learning vorinstalliert. Sie können auch auf Databricks Runtime ausgeführt werden, nachdem databricks-feature-engineering von PyPI (pip install databricks-feature-engineering) installiert wurde. Beide Clients können lokal oder in CI/CD-Umgebungen nur für Komponententests verwendet werden.

Eine Tabelle, welche die Kompatibilität von Clientversionen mit Databricks Runtime- und Databricks Runtime ML-Versionen zeigt, finden Sie in der Feature Engineering-Kompatibilitätsmatrix. Ältere Versionen des Databricks-Arbeitsbereichsclient im Feature Store sind auf PyPI als databricks-feature-store verfügbar.

databricks-feature-engineering 0.12.1

  • Standardwerte für Feature-Suchen unterstützen.
  • Fehlerbehebungen und Verbesserungen.

databricks-feature-engineering 0.11.0

  • Fügen Sie Unterstützung für mlflow Version 3.0 hinzu.
  • Fehlerbehebungen und Verbesserungen.

databricks-feature-engineering 0.10.2

  • Fügen Sie Unterstützung für mlflow Version 2.20.0 und höher hinzu.
  • Unterstützung für numpy Version 2.x hinzufügen.
  • Fehlerbehebungen und Verbesserungen.

databricks-feature-engineering 0.9.0

  • Unterstützung mithilfe von prebuilt_env bei score_batch-Aufrufen.
  • Zeitpunktfeature, das Leistungsverbesserungen mit Photon verbindet.
  • Fehlerbehebungen und Verbesserungen.

databricks-feature-engineering 0.8.0

  • Unterstützung der Nutzung von params in score_batch-Aufrufen, wodurch zusätzliche Parameter für die Modellinferenz übergeben werden können.
  • Fehlerbehebungen und Verbesserungen.

databricks-feature-engineering 0.7.0

  • Bestimmte Ansichten in Unity Catalog können jetzt als Featuretabellen für das Offline-Training und die Offline-Bewertung von Modellen und verwendet werden. Siehe Lesen aus einer Featuretabelle in Unity Catalog.
  • Trainingssätze können jetzt mit Featuresuchen oder einer Featurespezifikation erstellt werden. Weitere Informationen finden Sie in der Python SDK-Referenz.

databricks-feature-engineering 0.6.0

  • Das Ausführen von Point-in-Time-Verknüpfungen mit nativem Spark wird jetzt zusätzlich zum bestehenden Support mit Tempo unterstützt. Vielen Dank an Semyon Sinchenko für diesen Vorschlag!
  • StructType wird jetzt als PySpark-Datentyp unterstützt. StructType wird für die Onlinebereitstellung nicht unterstützt.
  • write_table unterstützt jetzt das Schreiben in Tabellen mit aktiviertem Liquid Clustering.
  • Der timeseries_columns-Parameter für create_table wurde in timeseries_column umbenannt. Vorhandene Workflows können den timeseries_columns-Parameter weiterhin verwenden.
  • score_batch unterstützt jetzt den env_manager-Parameter. Weitere Informationen finden Sie in der MLflow-Dokumentation.

databricks-feature-engineering 0.5.0

  • Neue API update_feature_spec in databricks-feature-engineering, mit der Benutzer den Besitzer eines FeatureSpec im Unity-Katalog aktualisieren können.

databricks-feature-engineering 0.4.0

  • Kleine Fehlerbehebungen und Verbesserungen.

databricks-feature-engineering 0.3.0

  • log_model verwendet jetzt das neue databricks-feature-lookup PyPI-Paket, das Leistungsverbesserungen für die Onlinemodellbereitstellung enthält.

databricks-feature-store 0.17.0

  • databricks-feature-store ist veraltet. Alle vorhandenen Module in diesem Paket sind in databricks-feature-engineering Version 0.2.0 und höher verfügbar. Weitere Informationen finden Sie unter Python-API.

databricks-feature-engineering 0.2.0

  • databricks-feature-engineering enthält jetzt alle Module aus databricks-feature-store. Weitere Informationen finden Sie unter Python-API.

databricks-feature-store 0.16.3

  • Behebt einen Timeoutfehler bei Verwendung von AutoML mit Featuretabellen.

databricks-feature-engineering 0.1.3

  • Kleine Verbesserungen bei UpgradeClient.

databricks-feature-store 0.16.2

  • Sie können jetzt Feature and Function Serving-Endpunkte erstellen. Ausführliche Informationen finden Sie unter Feature & Function Serving.

databricks-feature-store 0.16.1

  • Kleine Fehlerbehebungen und Verbesserungen.

databricks-feature-engineering 0.1.2 und databricks-feature-store 0.16.0

  • Kleine Fehlerbehebungen und Verbesserungen.
    • Falsche Auftragsherkunfts-URLs korrigiert, die bei bestimmten Arbeitsbereichssetups protokolliert wurden.

databricks-feature-engineering 0.1.1

  • Kleine Fehlerbehebungen und Verbesserungen.

databricks-feature-engineering Version 0.1.0

  • GA-Version von Feature Engineering im Unity Catalog-Python-Client auf PyPI

databricks-feature-store 0.15.1

  • Kleine Fehlerbehebungen und Verbesserungen.

databricks-feature-store 0.15.0

  • Sie können jetzt automatisch Rückschlüsse aus einem Eingabebeispiel ziehen und das Beispiel protokollieren, wenn Sie ein Modell protokollieren. Legen Sie dazu infer_model_example auf True fest, wenn Sie log_model aufrufen. Das Beispiel basiert auf den im Parameter training_set angegebenen Trainingsdaten.

databricks-feature-store 0.14.2

  • Behebung eines Fehlers bei der Veröffentlichung in Aurora MySQL von MariaDB-Connector/J >=2.7.5.

databricks-feature-store 0.14.1

  • Kleine Fehlerbehebungen und Verbesserungen.

databricks-feature-store 0.14.0

Ab 0.14.0 müssen Sie Zeitstempelschlüsselspalten im Argument primary_keys angeben. Zeitstempelschlüssel sind Teil der „Primärschlüssel“, die jede Zeile in der Featuretabelle eindeutig identifizieren. Wie andere Primärschlüsselspalten dürfen Zeitstempelschlüsselspalten keine NULL-Werte enthalten.

Im folgenden Beispiel enthält der Datenrahmen user_features_df die folgenden Spalten: user_id, ts, purchases_30d und is_free_trial_active.

0.14.0 und höher

fs = FeatureStoreClient()

fs.create_table(
name="ads_team.user_features",
primary_keys=["user_id", "ts"],
timestamp_keys="ts",
features_df=user_features_df,
)

0.13.1 und früher

fs = FeatureStoreClient()

fs.create_table(
name="ads_team.user_features",
primary_keys="user_id",
timestamp_keys="ts",
features_df=user_features_df,
)

databricks-feature-store 0.13.1

  • Kleine Fehlerbehebungen und Verbesserungen.

databricks-feature-store 0.13.0

  • Version 2.4.0 ist jetzt die mindestens erforderliche mlflow-skinny-Version.
  • Das Erstellen eines Trainingssatzes schlägt fehl, wenn der bereitgestellte DataFrame nicht alle erforderlichen Nachschlageschlüssel enthält.
  • Beim Protokollieren eines Modells, das Featuretabellen in Unity Catalog verwendet, wird automatisch eine MLflow-Signatur mit dem Modell protokolliert.

databricks-feature-store 0.12.0

  • Sie können jetzt einen Online-Shop mithilfe der drop_online_table-API löschen.

databricks-feature-store 0.11.0

  • In Unity Catalog-fähigen Arbeitsbereichen können Sie jetzt sowohl Arbeitsbereichs- als auch Unity Catalog-Feature-Tabellen in Cosmos DB-Online-Stores veröffentlichen. Dies erfordert Databricks Runtime 13.0 ML oder höher.

databricks-feature-store 0.10.0

  • Kleine Fehlerbehebungen und Verbesserungen.

databricks-feature-store 0.9.0

  • Kleine Fehlerbehebungen und Verbesserungen.

databricks-feature-store 0.8.0

  • Kleine Fehlerbehebungen und Verbesserungen.

databricks-feature-store 0.7.1

  • flask als Abhängigkeit hinzugefügt, um das Problem fehlender Abhängigkeiten beim Bewerten von Modellen mit score_batch zu beheben.

databricks-feature-store 0.7.0

  • Kleine Fehlerbehebungen und Verbesserungen.

databricks-feature-store 0.6.1

  • Erste veröffentlichte Version des Databricks Feature Store Clients auf PyPI.
  • Last updated on