如要擷取或提供目前和歷來的特徵資料,請使用離線供應功能從 BigQuery 擷取特徵值。舉例來說,您可以使用離線服務,擷取特定時間戳記的特徵值來訓練模型。
所有特徵資料 (包括歷來特徵資料) 都會保留在 BigQuery 中,這就是特徵值的離線儲存庫。如要使用離線放送功能,請先建立特徵群組和特徵值,註冊 BigQuery 資料來源。此外,如果是離線放送,含有相同實體 ID 的每列都必須有不同的時間戳記。如要進一步瞭解資料來源準備指南,請參閱「準備資料來源」。
事前準備
驗證 Gemini Enterprise Agent Platform,除非您已完成驗證。
如要在本機開發環境中使用本頁的 Python 範例,請安裝並初始化 gcloud CLI,然後使用使用者憑證設定應用程式預設憑證。
-
安裝 Google Cloud CLI。
-
設定 gcloud CLI,使用您的聯合身分。
詳情請參閱「 使用聯合身分登入 gcloud CLI」。
-
為使用者帳戶建立本機驗證憑證:
gcloud auth application-default login
如果系統傳回驗證錯誤,請確認您已 使用聯合身分登入 gcloud CLI。
詳情請參閱「 設定本機開發環境的驗證機制」。
擷取歷來特徵值
使用下列範例,從多個實體 ID 和時間戳記的特徵擷取歷來值。
Python
在試用這個範例之前,請先按照「使用用戶端程式庫的 Agent Platform 快速入門導覽課程」中的 Python 設定說明操作。詳情請參閱「Agent Platform Python API 參考文件」。
如要向 Agent Platform 進行驗證,請設定應用程式預設憑證。詳情請參閱「設定用戶端程式庫的驗證機制」。
執行程式碼範例前,請將 GOOGLE_CLOUD_UNIVERSE_DOMAIN 環境變數設為 s3nsapis.fr。
import bigframes
import bigframes.pandas
import pandas as pd
from google.cloud import bigquery
from vertexai.resources.preview.feature_store import (Feature, FeatureGroup, offline_store)
from vertexai.resources.preview.feature_store import utils as fs_utils
fg = FeatureGroup("FEATURE_GROUP_NAME")
f1 = fg.get_feature("FEATURE_NAME_1")
f2 = fg.get_feature("FEATURE_NAME_2")
entity_df = pd.DataFrame(
data={
"ENTITY_ID_COLUMN": [
"ENTITY_ID_1",
"ENTITY_ID_2",
],
"timestamp": [
pd.Timestamp("FEATURE_TIMESTAMP_1"),
pd.Timestamp("FEATURE_TIMESTAMP_2"),
],
},
)
offline_store.fetch_historical_feature_values(
entity_df=entity_df,
features=[f1,f2],
)
更改下列內容:
FEATURE_GROUP_NAME:包含特徵的現有特徵群組名稱。
FEATURE_NAME_1 和 FEATURE_NAME_2:要從中擷取特徵值的已註冊特徵名稱。
ENTITY_ID_COLUMN:包含實體 ID 的資料欄名稱。 只有在特徵群組中註冊的資料欄名稱,才能指定。
ENTITY_ID_1 和 ENTITY_ID_2:您要擷取特徵值的實體 ID。如要在不同時間戳記擷取相同實體 ID 的特徵值,請為每個時間戳記指定對應的實體 ID。
FEATURE_TIMESTAMP_1 和 FEATURE_TIMESTAMP_2:要擷取歷史特徵值的時間戳記。FEATURE_TIMESTAMP_1 對應於 ENTITY_ID_1,FEATURE_TIMESTAMP_2 對應於 ENTITY_ID_2,依此類推。以日期時間格式指定時間戳記,例如
2024-05-01T12:00:00。