本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

功能儲存範例筆記本簡介

此頁面上的範例程式碼是指特徵商店簡介範例筆記本。建議您在 Studio Classic、筆記本執行個體或 JupyterLab 中執行此筆記本，因為本指南中的程式碼是概念性的，而且若複製，無法完全運作。

使用下列項目複製 aws/amazon-sagemaker-examples GitHub 儲存庫，其中包含範例筆記本：

現在您有 SageMaker AI 範例筆記本，請導覽至 amazon-sagemaker-examples/sagemaker-featurestore 目錄並開啟 Feature Store 簡介範例筆記本。

步驟 1：設定 SageMaker AI 工作階段

若要開始使用 Feature Store，請建立 SageMaker AI 工作階段。然後，設定您要用於功能的 Amazon Simple Storage Service (Amazon S3) 儲存貯體。Amazon S3 儲存貯體是您的離線儲存。下列程式碼會使用 SageMaker AI 預設儲存貯體，並將自訂字首新增至其中。

# SageMaker Python SDK version 2.x is required
import sagemaker
import sys

import boto3
import pandas as pd
import numpy as np
import io
from sagemaker.session import Session
from sagemaker import get_execution_role

prefix = 'sagemaker-featurestore-introduction'
role = get_execution_role()

sagemaker_session = sagemaker.Session()
region = sagemaker_session.boto_region_name
s3_bucket_name = sagemaker_session.default_bucket()

步驟 2：檢查資料

在此筆記本範例中，我們會從託管完整筆記本的 Github 儲存庫中擷取合成資料。

customer_data = pd.read_csv("data/feature_store_introduction_customer.csv")
orders_data = pd.read_csv("data/feature_store_introduction_orders.csv")

print(customer_data.head())
print(orders_data.head())

下圖說明了資料在 Feature Store 擷取它之前所經歷的步驟。在本筆記本中，我們說明了您擁有來自多個來源的資料，並想要將其獨立存放在 Feature Store 中的使用案例。我們的範例會考量來自資料倉儲 (客戶資料) 的資料，以及來自即時串流服務 (訂單資料) 的資料。

步驟 3：建立特徵群組

我們首先通過為客戶資料和訂單資料建立功能組名稱開始。在此之後，我們建立了兩個特徵群組，一個用於 customer_data 和另一個用於 orders_data。

import time
from time import strftime, gmtime
customers_feature_group_name = 'customers-feature-group-' + strftime('%d-%H-%M-%S', gmtime())
orders_feature_group_name = 'orders-feature-group-' + strftime('%d-%H-%M-%S', gmtime())

具現化 customers_data 和 orders_data 的 FeatureGroup 物件。

from sagemaker.feature_store.feature_group import FeatureGroup

customers_feature_group = FeatureGroup(
    name=customers_feature_group_name, sagemaker_session=sagemaker_session
)
orders_feature_group = FeatureGroup(
    name=orders_feature_group_name, sagemaker_session=sagemaker_session
)

import time
current_time_sec = int(round(time.time()))
record_identifier_feature_name = "customer_id"

附加 EventTime 功能到您的資料影格。此參數為必要參數，且為每個資料點設定時間戳記。

customer_data["EventTime"] = pd.Series([current_time_sec]*len(customer_data), dtype="float64")
orders_data["EventTime"] = pd.Series([current_time_sec]*len(orders_data), dtype="float64")

將特徵定義載入至您的特徵群組：

customers_feature_group.load_feature_definitions(data_frame=customer_data)
orders_feature_group.load_feature_definitions(data_frame=orders_data)

以下呼叫 create 以分別建立兩個特徵群組，即 customers_feature_group 和 orders_feature_group。

customers_feature_group.create(
    s3_uri=f"s3://{s3_bucket_name}/{prefix}",
    record_identifier_name=record_identifier_feature_name,
    event_time_feature_name="EventTime",
    role_arn=role,
    enable_online_store=True
)

orders_feature_group.create(
    s3_uri=f"s3://{s3_bucket_name}/{prefix}",
    record_identifier_name=record_identifier_feature_name,
    event_time_feature_name="EventTime",
    role_arn=role,
    enable_online_store=True
)

為了確認您的特徵群組已建立，我們使用 DescribeFeatureGroup 和 ListFeatureGroups API 來顯示它：

customers_feature_group.describe()

orders_feature_group.describe()

sagemaker_session.boto_session.client('sagemaker', region_name=region).list_feature_groups() # We use the boto client to list FeatureGroups

步驟 4：將資料擷取至功能群組

建立特徵群組後，我們可以將資料放入其中。如果您使用的是 SageMaker AI 適用於 Python (Boto3) 的 AWS SDK，請使用 ingest API 呼叫。如果您使用的是 SDK for Python (Boto3)，請使用 PutRecord API。擷取這兩個選項的資料需要不到 1 分鐘的時間。此範例使用 SageMaker AI SDK for Python (Boto3)，因此其會使用 ingest API 呼叫。

def check_feature_group_status(feature_group):
    status = feature_group.describe().get("FeatureGroupStatus")
    while status == "Creating":
        print("Waiting for Feature Group to be Created")
        time.sleep(5)
        status = feature_group.describe().get("FeatureGroupStatus")
    print(f"FeatureGroup {feature_group.name} successfully created.")

check_feature_group_status(customers_feature_group)
check_feature_group_status(orders_feature_group)

customers_feature_group.ingest(
    data_frame=customer_data, max_workers=3, wait=True
)

orders_feature_group.ingest(
    data_frame=orders_data, max_workers=3, wait=True
)

使用任意的客戶記錄 ID，573291 我們用 get_record 來檢查資料是否已被擷取到特徵群組。

customer_id = 573291
sample_record = sagemaker_session.boto_session.client('sagemaker-featurestore-runtime', region_name=region).get_record(FeatureGroupName=customers_feature_group_name, RecordIdentifierValueAsString=str(customer_id))

print(sample_record)

以下示範如何使用 batch_get_record 來取得批次記錄。

all_records = sagemaker_session.boto_session.client(
    "sagemaker-featurestore-runtime", region_name=region
).batch_get_record(
    Identifiers=[
        {
            "FeatureGroupName": customers_feature_group_name,
            "RecordIdentifiersValueAsString": ["573291", "109382", "828400", "124013"],
        },
        {
            "FeatureGroupName": orders_feature_group_name,
            "RecordIdentifiersValueAsString": ["573291", "109382", "828400", "124013"],
        },
    ]
)

print(all_records)

步驟 5：清除

我們在此處移除所建立的特徵群組。

customers_feature_group.delete()
orders_feature_group.delete()

步驟 6：後續步驟

在此範例筆記本中，您了解如何開始使用 Feature Store、建立特徵群組，以及將資料擷取到其中。

如需如何將 Feature Store 用於詐騙偵測使用案例的進階範例，請參閱使用 Feature Store 進行詐騙偵測。

步驟 7：適用於程式設計人員的程式碼範例

在這本筆記本中，我們使用了各種不同的 API 調用。其中大多數都可以透過 SageMaker Python SDK 存取，但是有些只存在於 Boto3 內。您可以直接在 Feature Store 物件上調用 SageMaker Python SDK API 呼叫，而若要調用存在於 Boto3 中的 API 呼叫，您必須先透過 Boto3 和 SageMaker AI 工作階段存取 Boto3 用戶端：例如，sagemaker_session.boto_session.client()。

以下是此筆記本的 API 呼叫清單。這些呼叫存在於 SDK for Python 內，也存在於 Boto3 中，供您參考：

SDK for Python (Boto3) API 呼叫

describe()
ingest()
delete()
create()
load_feature_definitions()

Boto3 API 調用

list_feature_groups()
get_record()