Releaseopmerkingen voor Databricks Feature Store en legacy Workspace Feature Store

Op deze pagina vindt u releases van de Databricks Feature Engineering in de Unity Catalog-client en de Databricks Workspace Feature Store-client. Beide clients zijn beschikbaar in PyPI: databricks-feature-engineering en databricks-feature-store.

De bibliotheken worden gebruikt voor het volgende:

Functietabellen maken, lezen en schrijven.
Modellen trainen op functiegegevens.
Functietabellen publiceren naar online platforms voor realtime levering.

Zie Databricks Feature Store voor gebruiksdocumentatie. Zie Feature Engineering Python API voor documentatie over de Python-API.

De functie-engineering in de Unity Catalog-client werkt voor functies en functietabellen in Unity Catalog. De Workspace Feature Store-client werkt voor features en featuretabellen in de Workspace Feature Store. Beide clients zijn vooraf geïnstalleerd in Databricks Runtime voor Machine Learning. Ze kunnen ook worden uitgevoerd op Databricks Runtime na installatie databricks-feature-engineering vanuit PyPI (pip install databricks-feature-engineering). Alleen voor het testen van eenheden kunnen beide clients lokaal of in CI/CD-omgevingen worden gebruikt.

Zie voor een tabel met compatibiliteit van clientversies met Databricks Runtime- en Databricks Runtime ML-versiesFeature Engineering-compatibiliteitsmatrix. Oudere versies van de Databricks Workspace Feature Store-client zijn beschikbaar op PyPI als databricks-feature-store.

databricks-feature-engineering 0.18.1

Deze release bevat de volgende verbeteringen aan Feature Views:

Online serveren met Lakebase ondersteunt nu featurenamen langer dan 64 tekens.
RollingWindow accepteert nu window_duration=None voor de levensduur van de laatste aggregatie op Delta-bronnen met online-only tabel-triggergebaseerde materialisatie.
FeatureViewSource-gebaseerde functies kunnen nu worden voorbekeken met , compute_features()inclusief afhankelijkheden die meerdere brontabellen beslaan.
SawtoothWindow ondersteunt nu levenslange aggregatievensters (window_duration=Geen) in create_training_set() en compute_features().
Opgeloste fouten en verbeteringen.

databricks-feature-engineering 0.18.0

FeatureViewSource:
- Nieuw FeatureViewSource definieert een functie die is samengesteld uit andere functies, waarbij CustomUDF rijgewijs wordt toegepast op hun waarden. Ondersteund gedurende de volledige trainings- en servinglevenscyclus, behalve voor compute_features().
Functies van CustomUDF:
- create_feature() valideert CustomUDFinput_bindings aan de hand van de Unity Catalog-functiehandtekening en controleert of de typen van gebonden kolommen overeenkomen met de parametertypen van de functie, waarbij afwijkingen worden gerapporteerd wanneer de feature wordt aangemaakt in plaats van tijdens het trainen of serveren.
Streamingfuncties:
- create_stream() voegt record_type_filter, een SQL-predicaat toe dat na decoderen alleen overeenkomende records bewaart, en excluded_columns, waardoor kolommen niet meer worden ingevoerd. update_stream() accepteert ook excluded_columns.
Materialisatie:
- materialize_features() Accepteert tags en budget_policy_id voor kostenregistratie en attributie.
- CronSchedule ondersteunt een afgeleide planningsmodus die voortkomt uit de aggregatievensters en timing van een functie, naast een handmatige cron-expressie.
Raamfunctie start_time gating:
- Functies in venstermodus dwingen nu altijd start_time af. trainingsrijen waarvan het venstereinde vóór de start_time van een feature valt, worden uitgesloten zodat offline-trainingssets overeenkomen met de waarden die online worden aangeboden. Stel een start_time vensterfunctie in om de cutoff te bedienen.
Andere wijzigingen:
- Aggregatiefuncties wijzen tijdreekskolommen bij aanmaak af DATE . Gebruik in plaats daarvan een TIMESTAMP kolom.
- ColumnSelection-functies passen de bronstabilisatiewachttijd toe in create_training_set() en compute_features(), waarbij bronrijen die nog niet zijn gestabiliseerd worden uitgesloten.
- Ondersteuning toegevoegd voor stringtypen in Databricks Runtime 18 in de in- en uitvoer van feature-UDF's.
- Velden voor featuretiming, zoals start_time, aggregatievertraging en stabilisatievertraging van de bron, blijven nu behouden bij lees- en schrijfbewerkingen van clients.
- Opgeloste fouten en verbeteringen.

databricks-feature-engineering 0.17.1

Opgeloste fouten en verbeteringen.

databricks-feature-engineering 0.17.0

SawtoothWindow-aggregaties (Preview):
- De nieuwe SawtoothWindow tijdvensterklasse houdt lange aggregatievensters (bijvoorbeeld 30, 60 of 90 dagen) continu vernieuwd: de achterrand van het venster vordert in vaste dagelijkse stappen, terwijl de voorste rand actueel blijft met de nieuwste streaminggebeurtenissen, waardoor een volledige herberekening van elk event wordt vermeden. Ondersteund voor Sum, Avg, Count, , Minen Max aggregaties. window_duration moet meer dan twee dagen bedragen; gebruik RollingWindow voor kortere perioden.
LastN Aggregatie (Preview):
- Nieuwe LastN aggregatie geeft de meest recente N-waarden in een venster terug als een array, geordend op de tijdreekskolom van de feature. Ondersteund met SlidingWindow en RollingWindow tijdsvensters.
Aggregatievensters over de volledige levensduur:
- SlidingWindow ondersteunt nu levensduurvensters (oneindige vensters) die over de volledige geschiedenis aggregeren. Vensters met een onbeperkte looptijd zijn alleen beschikbaar voor batchfuncties; stel window_duration in op None om er een te definiëren in create_training_set() en compute_features().
CustomUDF-functies (Voorbeeld):
- Nieuw CustomUDF functietype voor create_feature() past een geregistreerde Unity Catalog-functie rijgewijs toe op bronkolommen. input_bindings mapt elke UC-functieparameter aan de bronkolom die deze vult. CustomUDF werkt direct op RequestSource (verzoektijd) functies alleen; het kan niet worden toegepast op andere featuretypes.
Transformaties van streamingbronnen (Preview):
- StreamSource accepteert nu een transformation_sql SQL-expressie SELECT , toegepast na de schemaconversie van de stream, om records te transformeren vóór feature-berekening. Wanneer ingesteld, geef je het getransformeerde uitvoerschema via dataframe_schema.
Schema-register voor streamingbronnen (Preview):
- create_stream() kan nu schema’s voor streaming-sleutels en payloads ophalen uit een extern schemaregister (bijvoorbeeld Confluent) via een Unity Catalog-verbinding, met gebruik van SchemaRegistryConfig in plaats van schema’s inline op te geven. Avro- en Protobuf-formaten worden ondersteund.
Aangepaste serving-afhankelijkheden (Preview):
- Je kunt nu extra pip-afhankelijkheden declareren voor feature serving. create_feature_spec() en log_model() accepteren extra_pip_requirements, een lijst met pip-pakketten (of Unity Catalog Volume-paden .whl) die in de modelservingomgeving moeten worden geïnstalleerd voor bibliotheken die je feature-UDF's nodig hebben, maar die standaard niet beschikbaar zijn. Afhankelijkheden die zijn opgegeven op de feature-specificatie worden doorgevoerd wanneer het model wordt bediend.
Andere verbeteringen:
- Opgeloste fouten en verbeteringen.

databricks-feature-engineering 0.16.1

create_training_set en score_batch hergebruiken nu offline gematerialiseerde aggregatie-features indien beschikbaar, waardoor het aanmaken van trainingssets en batchinferentie wordt versneld. Zie Functieweergaven materialiseren.
RequestSource voor functies zijn geen entiteits- en tijdreekskolommen meer vereist.
Onjuiste resultaten van First en Last in create_training_set opgelost. Deze aggregaties bevatten nu standaard null-waarden; voeg een filter_condition toe om null-invoerkolommen uit te sluiten.
Probleem opgelost waarbij compute_features nullen of nullwaarden retourneerde wanneer bronrijen nullwaarden bevatten.
Opgeloste fouten en verbeteringen.

databricks-feature-engineering 0.16.0

Openbare preview-versie van functieweergaven:
- Feature Views zijn nu in openbare preview. De hulpprogramma's is_beta_feature_view() en list_beta_feature_views() op FeatureEngineeringClient identificeren functionaliteiten die zijn geregistreerd onder de Beta-API en moeten worden gemigreerd naar de Public Preview-representatie.
- Feature.clone() Deze methode helpt bij de migratie van Beta Feature Views naar Public Preview.
- create_pipeline is verouderd voor Feature Views; gebruik in plaats daarvan de API voor gematerialiseerde features.
Streamingfuncties:
- StreamSource wordt nu ondersteund in create_feature() voor het definiëren van streamingfuncties op basis van Kafka- of Delta-bronnen.
- create_training_set ondersteunt nu training over functies die zijn gedefinieerd met een StreamSource.
- Nieuwe create_stream, get_stream, update_stream, en delete_streamlist_streams methoden FeatureEngineeringClient voor het beheren van streamingfunctiebronnen.
- StreamingMode trigger voor materialize_features selecteert micro-batchmaterialisatie.
Andere verbeteringen:
- Nieuwe list_features() API op FeatureEngineeringClient somt functies op in een catalogus of schema.
- Het nieuwe grant_feature_serving_access()-hulpprogramma kent de vereiste machtigingen toe voor het online aanbieden van gematerialiseerde features, met een dry_run-modus om de toegang vooraf te bekijken voordat deze wordt toegepast.
- DeltaTableSource.from_sql() accepteert nu een SparkSession rechtstreeks.
- DeltaTableSource.dataframe_schema vervangt de afgeschafte schema_json parameter.
- RollingWindow vervangt de verwijderde ContinuousWindow alias.
- De afgeschafte offset parameter is verwijderd uit RollingWindow; gebruik delay in plaats daarvan.
- Ondersteuning voor 2-delige Unity Catalog-namen met een standaardcatalogus verwijderd.
- Opgeloste fouten en verbeteringen.

databricks-feature-engineering 0.15.0

RequestSource (bèta):
- De nieuwe RequestSource-klasse maakt kenmerken mogelijk die tijdens een aanvraag worden berekend uit gegevens die rechtstreeks aan het model worden doorgegeven, zonder dat een opzoeking in een kenmerktabel nodig is.
- create_feature(), create_training_set(), score_batch(), en compute_features() ondersteunen allemaal functies op basis van RequestSource.
- log_model verwerkt RequestSource features automatisch in de modelsignatuur.
ColumnSelection (bèta):
- Met een nieuwe ColumnSelection klasse kunt u specifieke uitvoerkolommen van een functiebron selecteren, zodat u gedetailleerdere functiedefinities kunt inschakelen.
- Ondersteund in create_feature(), create_training_set(), compute_features()en log_model.
Andere verbeteringen:
- Nieuw TableTrigger type trigger voor materialize_features activeert materialisatie bij updates van Delta-tabellen.
- score_batch wordt nu uitgevoerd op serverloze runtimes van Databricks Runtime.
- DeltaTableSource.from_sql() weigert nu niet-ondersteunde SQL-componenten zoals GROUP BY en ORDER BY.
- RequestSource.from_dataframe() hiermee wordt het aanvraagschema afgeleid van een bestaand DataFrame.
- Flask-afhankelijkheid verwijderd uit databricks-feature-engineering.
- Opgeloste fouten en verbeteringen.

databricks-feature-engineering 0.14.0

Batch-declaratieve functies (bèta):
- Declaratieve functies-API voor het opslaan van declaratieve functiedefinities als Unity Catalog-functies met aggregaties en tijdvensters.
- De API voor gematerialiseerde kenmerken plant de automatische batchmaterialisatie van kenmerken naar online winkels, waarbij gebruik wordt gemaakt van configureerbare cron-schema's.
- Gematerialiseerde kenmerken kunnen worden gebruikt in online services voor geregistreerde modellen in Unity Catalog.
- Ondersteuning voor schuif- en tumblingvensters met behulp van SlidingWindow en TumblingWindow klassen voor de juiste functieberekening in een bepaald tijdstip.create_training_set()
- filter_condition parameter staat het filteren van brongegevens toe bij het berekenen van functies.
Andere verbeteringen:
- Nieuwe list_online_stores() API bevat alle online winkels in een catalogus of schema.
- Ondersteuning voor usage_policy_id het bijhouden van facturering bij het maken of bijwerken van online winkels.
- Verbeterde foutberichten wanneer online winkels worden verwijderd of niet beschikbaar zijn.
- Opgeloste fouten en prestatieverbeteringen.

databricks-feature-engineering 0.13.0

API's voor het beheren van door Databricks beheerde online feature stores.
publish_table() accepteert source_table_namenu , online_table_nameen publish_mode parameters voor duidelijkere tabelspecificatie.
Ondersteuning voor read_replica_count bij het maken of bijwerken van online winkels, voor verbeterde lees-schaalbaarheid.
Opgeloste fouten en verbeteringen.

databricks-feature-engineering 0.12.1

Ondersteuning voor standaardwaarden voor functiezoekacties.
Opgeloste fouten en verbeteringen.

databricks-feature-engineering 0.11.0

Voeg ondersteuning toe voor mlflow versie 3.0.
Opgeloste fouten en verbeteringen.

databricks-feature-engineering 0.10.2

Voeg ondersteuning toe voor mlflow versie 2.20.0 en hoger.
Ondersteuning toegevoegd voor numpy versie 2.x.
Opgeloste fouten en verbeteringen.

databricks-feature-engineering 0.9.0

Ondersteuning voor het gebruik van prebuilt_env in score_batch aanroepingen.
Point-in-time-functie die prestatieverbeteringen met Photon samenvoegt.
Opgeloste fouten en verbeteringen.

databricks-feature-engineering 0.8.0

Ondersteuning voor het gebruik van params in score_batch oproepen, waardoor extra parameters kunnen worden doorgegeven aan het model voor inferentie.
Opgeloste fouten en verbeteringen.

databricks-feature-engineering 0.7.0

Bepaalde weergaven in Unity Catalog kunnen nu worden gebruikt als functietabellen voor offline modeltraining en -evaluatie. Zie Lezen uit een functietabel in Unity Catalog.
Training sets kunnen nu worden gemaakt met kenmerkopzoekingen of een functiespecificatie. Zie de naslaginformatie over de Python SDK.

databricks-feature-engineering 0.6.0

Het uitvoeren van point-in-time-joins met systeemeigen Spark wordt nu ondersteund, naast bestaande ondersteuning met Tempo. Enorm dankzij Semyon Sinchenko voor het voorstellen van het idee!
StructType wordt nu ondersteund als een PySpark-gegevenstype. StructType wordt niet ondersteund voor online gebruik.
write_table ondersteunt nu het schrijven naar tabellen waarvoor liquide clustering is ingeschakeld.
De parameter timeseries_columns voor create_table is hernoemd naar timeseries_column. Bestaande werkstromen kunnen de timeseries_columns parameter blijven gebruiken.
score_batch ondersteunt nu de env_manager parameter. Zie de MLflow-documentatie voor meer informatie.

databricks-feature-engineering 0.5.0

Nieuwe API-update_feature_spec in databricks-feature-engineering waarmee gebruikers de eigenaar van een FeatureSpec in Unity Catalog kunnen bijwerken.

databricks-feature-engineering versie 0.4.0

Kleine opgeloste fouten en verbeteringen.

databricks-feature-engineering 0.3.0

log_model maakt nu gebruik van het nieuwe PyPI-pakket voor databricks-feature lookup , dat prestatieverbeteringen bevat voor online modelbediening.

databricks-feature-store 0.17.0

databricks-feature-store is verouderd. Alle bestaande modules in dit pakket zijn beschikbaar in databricks-feature-engineering versie 0.2.0 en hoger. Zie Python-API voor meer informatie.

databricks-feature-engineering 0.2.0

databricks-feature-engineering bevat nu alle modules van databricks-feature-store. Zie Python-API voor meer informatie.

databricks-feature-store 0.16.3

Er is een time-outfout opgelost bij het gebruik van AutoML met functietabellen.

databricks-feature-engineering 0.1.3

Kleine verbeteringen in de UpgradeClient.

databricks-feature-store 0.16.2

U kunt nu Feature- en Function-Serving-eindpunten maken. Zie Functie- en functiebediening voor meer informatie.

databricks-feature-store 0.16.1

Kleine opgeloste fouten en verbeteringen.

databricks-feature-engineering 0.1.2 & databricks-feature-store 0.16.0

Kleine opgeloste fouten en verbeteringen.
- Onjuiste URL's voor job-afstamming opgelost die zijn vastgelegd met bepaalde werkruimte-instellingen.

databricks-feature-engineering 0.1.1

Kleine opgeloste fouten en verbeteringen.

databricks-feature-engineering 0.1.0

GA-release van Feature Engineering in Unity Catalog Python-client voor PyPI

databricks-feature-store 0.15.1

Kleine opgeloste fouten en verbeteringen.

databricks-feature-store 0.15.0

U kunt nu automatisch een invoervoorbeeld afleiden en vastleggen wanneer u een model aanmeldt. Hiervoor stelt u infer_model_example in op True wanneer u log_modelbelt. Het voorbeeld is gebaseerd op de trainingsgegevens die zijn opgegeven in de training_set parameter.

databricks-feature-store 0.14.2

Er is een fout opgelost bij het publiceren naar Aurora MySQL vanuit MariaDB Connector/J >=2.7.5.

databricks-feature-store 0.14.1

Kleine opgeloste fouten en verbeteringen.

databricks-feature-store 0.14.0

Vanaf 0.14.0 moet u tijdstempelsleutelkolommen opgeven in het argument primary_keys. Tijdstempelsleutels maken deel uit van de 'primaire sleutels' die elke rij in de functietabel uniek identificeren. Net als andere primaire-sleutelkolommen kunnen tijdstempelsleutelkolommen geen NULL-waarden bevatten.

In het volgende voorbeeld bevat het DataFrame-user_features_df de volgende kolommen: user_id, ts, purchases_30den is_free_trial_active.

0.14.0 en hoger

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 en lager dan

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 opgeloste fouten en verbeteringen.

databricks-feature-store 0.13.0

De minimaal vereiste mlflow-skinny versie is nu 2.4.0.
Het maken van een trainingsset mislukt als het opgegeven DataFrame niet alle vereiste opzoeksleutels bevat.
Wanneer u een model aanmeldt dat gebruikmaakt van functietabellen in Unity Catalog, wordt automatisch een MLflow-handtekening geregistreerd bij het model.

databricks-feature-store 0.12.0

U kunt nu een onlinewinkel verwijderen met behulp van de drop_online_table API.

databricks-feature-store 0.11.0

In werkruimten met Unity Catalog kunt u nu zowel werkruimte- als Unity Catalog-functietabellen publiceren naar online winkels van Cosmos DB. Hiervoor is Databricks Runtime 13.0 ML of hoger vereist.

databricks-feature-store 0.10.0

Kleine opgeloste fouten en verbeteringen.

databricks-feature-store 0.9.0

Kleine opgeloste fouten en verbeteringen.

databricks-feature-store 0.8.0

Kleine opgeloste fouten en verbeteringen.

databricks-feature-store 0.7.1

Als een afhankelijkheid toevoegen flask om een probleem met ontbrekende afhankelijkheid op te lossen bij het scoren van modellen met score_batch.

databricks-feature-store 0.7.0

Kleine opgeloste fouten en verbeteringen.

databricks-feature-store 0.6.1

Initiële openbare release van de Databricks Feature Store-client naar PyPI.

Feedback

Is deze pagina nuttig?

Laatst bijgewerkt om 2026-10-01