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。我們建議您在 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，如果複製則無法完全運作。

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：

現在您已擁有 SageMaker AI 範例筆記本，請導覽至 amazon-sagemaker-examples/sagemaker-featurestore目錄並開啟功能商店範例筆記本簡介。

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。下列程式碼使用 SageMaker AI 預設儲存貯體，並新增自訂字首。

# 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，我們從託管完整筆記本的 GitHub 儲存庫擷取合成資料。

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())

下圖說明資料在特徵存放區擷取之前經過的步驟。在本筆記本中，我們會說明使用案例，其中您擁有來自多個來源的資料，並希望將這些資料獨立存放在特徵存放區中。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。接下來，我們會建立兩個功能群組，一個用於 customer_data，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())

執行個體化 customers_data和 的FeatureGroup物件orders_data：

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，並為每個資料點加上時間戳記：

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")

將功能定義載入至您的功能群組：

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

下列呼叫create會分別建立兩個功能群組 orders_feature_groupcustomers_feature_group和 ：

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
)

為了確認您的功能群組已建立，我們使用 DescribeFeatureGroup和 ListFeatureGroups APIs來顯示：

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

功能群組建立後，我們可以將資料放入其中。如果您使用的是 SageMaker AI AWS SDK for Python (Boto3)，請使用 ingest API 呼叫。如果您使用的是適用於 Python 的 SDK (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。此範例使用適用於 Python 的 SageMaker AI SDK (Boto3)，因此會使用 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來取得一批記錄。

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

在這裡，我們會移除我們建立的功能群組。

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特徵存放區、建立特徵群組，以及將資料擷取到其中。

如需如何使用 Feature Store 進行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：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。其中大部分可透過 SageMaker Python SDK 存取，但有些僅存在於 Boto3 中。您可以直接在 Feature Store 物件上叫用 SageMaker Python SDK API 呼叫，而若要叫用 Boto3 內存在的 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 中SDK for Python，並存在於 Boto3 中，供您參考：

適用於 Python (Boto3) API 呼叫的 SDK

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

Boto3 API 調用

list_feature_groups()
get_record()