Versionsmeddelanden för Databricks-funktionslager och äldre arbetsytefunktioner

På den här sidan visas versioner av Databricks Feature Engineering i Unity Catalog-klienten och Databricks Workspace Feature Store-klienten. Båda klienterna är tillgängliga på PyPI: databricks-feature-engineering och databricks-feature-store.

Biblioteken används för att:

Skapa, läsa och skriva funktionstabeller.
Träna modeller på funktionsdata.
Publicera funktionstabeller i onlinebutiker för realtidsservering.

Information om användningsdokumentation finns i Databricks Feature Store. Mer Python API-dokumentation finns i Api:et för funktionsutveckling Python.

Funktionsutvecklingen i Unity Catalog-klienten gäller för funktioner och funktionstabeller i Unity Catalog. Klienten för Workspace Feature Store fungerar med funktioner och funktionstabeller i Workspace Feature Store. Båda klienterna är förinstallerade i Databricks Runtime för strojové učenie. De kan också köras på Databricks Runtime efter installation databricks-feature-engineering från PyPI (pip install databricks-feature-engineering). Endast för enhetstestning kan båda klienterna användas lokalt eller i CI/CD-miljöer.

En tabell som visar klientversionskompatibilitet med Databricks Runtime- och Databricks Runtime ML-versioner finns i kompatibilitetsmatris för funktionstekniker. Äldre versioner av Databricks Workspace Feature Store-klienten är tillgängliga i PyPI som databricks-feature-store.

databricks-feature-engineering 0.18.1

Denna version innehåller följande förbättringar av Feature Views:

Online-servering med Lakebase stöder nu funktionsnamn längre än 64 tecken.
RollingWindow accepterar nu window_duration=None för livstid. Senaste aggregering på Delta-källor med online-endast tabellbaserad materialisering.
Funktioner baserade på FeatureViewSource kan nu förhandsgranskas med , compute_features()inklusive beroenden som sträcker sig över flera källtabeller.
SawtoothWindow stöder nu livstidsaggregeringsfönster (window_duration=Ingen) i create_training_set() och compute_features().
Felkorrigeringar och förbättringar.

databricks-feature-engineering 0.18.0

FeatureViewSource:
- New FeatureViewSource definierar en funktion sammansatt av andra funktioner, och applicerar en CustomUDF radvis över deras värden. Stödd genom hela utbildnings- och tjänstgöringslivscykeln, förutom för compute_features().
CustomUDF-funktioner:
- create_feature() validerar CustomUDFinput_bindings mot Unity Catalog-funktionssignaturen och kontrollerar bundna kolumntyper mot funktionsparametrarnas typer samt rapporterar typkonflikter när funktionen skapas i stället för under träning eller servering.
Funktioner för direktuppspelning:
- create_stream() lägger till record_type_filter, ett SQL-predikat som endast behåller matchande rader efter avkodningen, och excluded_columns, som tar bort kolumner från inläsning. update_stream() accepterar excluded_columnsockså .
Materialisering:
- materialize_features() Accepterar tags och budget_policy_id för kostnadsspårning och attribuering.
- CronSchedule stöder ett härlett schemaläge som genereras utifrån en funktions aggregeringsfönster och tidsinställningar, förutom ett manuellt cron-uttryck.
Gating för start_time i funktion med tidsfönster:
- Funktioner i fönsterläge tvingar nu alltid fram start_time. Träningsrader vars fönsterslut ligger före en funktions start_time exkluderas så att offline-träningsset matchar de värden som levereras online. Ställ in start_time på en funktion i fönsterläge för att styra avskärningen.
Andra förändringar:
- Aggregeringsfunktioner avvisar DATE tidsseriekolumner vid skapandet. Använd istället en kolumn.TIMESTAMP
- ColumnSelection funktioner tillämpar stabiliseringsfördröjningen för källan i create_training_set() och compute_features() och exkluderar källrader som ännu inte har stabiliserats.
- Stöd för strängtyper i Databricks Runtime 18 har lagts till i UDF-indata och -utdata för funktioner.
- Funktionstidsfält såsom start_time, aggregeringsfördröjning och källavräkningsfördröjning kvarstår nu över klientläsningar och skrivningar.
- Felkorrigeringar och förbättringar.

databricks-funktions-ingenjörskonst 0.17.1

Felkorrigeringar och förbättringar.

databricks-feature-engineering 0.17.0

SawtoothWindow-aggregeringar (Förhandsvisning):
- Ny SawtoothWindow tidsfönsterklass håller långa aggregeringsfönster (till exempel 30, 60 eller 90 dagar) kontinuerligt fräscha: fönstrets bakre kant avancerar i fasta dagliga steg medan den främre kanten håller sig uppdaterad med de senaste strömningshändelserna, vilket undviker en fullständig omberäkning av varje händelse. Stöds för Sum, Avg, Count, , Minoch Max aggregeringar. window_duration måste vara mer än två dagar; använd RollingWindow för kortare fönster.
LastN aggregering (förhandsversion):
- Ny LastN aggregering returnerar de senaste N-värdena i ett fönster som en array, ordnade efter funktionens tidsseriekolumn. Stöds med SlidingWindow och RollingWindow tidsfönster.
Livstidsaggregeringsfönster:
- SlidingWindow stöder nu livstidsfönster (oändliga) som aggregeras över hela historiken. Livstidsfönster finns endast för batchfunktioner; ställ window_duration in till None att definiera ett i create_training_set() och compute_features().
CustomUDF-funktioner (Förhandsvisning):
- Ny CustomUDF funktionstyp för create_feature() tillämpar en registrerad Unity-katalogfunktion radvis på källkolumner. input_bindings kopplar varje funktionsparameter i UC till den källkolumn som fyller parametern. CustomUDF arbetar direkt med endast RequestSource-funktioner vid begärandetillfället; CustomUDF kan inte användas för andra funktionstyper.
Streaming-källomvandlingar (Förhandsvisning):
- StreamSource har nu stöd för ett transformation_sql SQL-uttryck SELECT, som tillämpas efter konvertering av strömmens schema för att omvandla poster före beräkning av funktioner. När den är satt, ange det transformerade utdataschemat via dataframe_schema.
Schemaregister för strömmande källor (Förhandsgranskning):
- create_stream() kan nu lösa strömmande nyckel- och payload-scheman från ett externt schemaregister (till exempel Confluent) via en Unity Catalog Connection, med SchemaRegistryConfig istället för att tillhandahålla scheman inline. Avro- och Protobuf-format stöds.
Anpassade servberoenden (Förhandsgranskning):
- Du kan nu ange extra pip-beroenden för servering av funktioner. create_feature_spec() och log_model() accepterar extra_pip_requirements, en lista över pip-paket (eller Unity Catalog Volume-sökvägar .whl) som ska installeras i modellserveringsmiljön för bibliotek som dina funktions-UDF:er behöver men som inte är tillgängliga som standard. Beroenden som deklarerats på funktionsspecifikationen förs vidare när modellen levereras.
Andra förbättringar:
- Felkorrigeringar och förbättringar.

databricks-feature-engineering 0.16.1

create_training_set och score_batch återanvänder nu offline-materialiserade aggregeringsfunktioner när sådana finns tillgängliga, vilket påskyndar skapandet av träningsdatauppsättningar och batchinferenser. Se Materialisera funktionsvyer.
RequestSource funktioner inte längre kräver entitets- och tidseriekolumner.
Felaktiga resultat i First och Last har åtgärdats i create_training_set. Dessa sammansättningar innehåller nu nullvärden som standard. lägg till en filter_condition för att exkludera null-indatakolumner.
Åtgärdade ett problem där compute_features returnerade nollor eller nullvärden när källrader innehåller nullvärden.
Felkorrigeringar och förbättringar.

databricks-feature-engineering 0.16.0

Offentlig förhandsversion av funktionsvyer:
- Funktionsvyer finns nu i offentlig förhandsversion. Verktygen is_beta_feature_view() och list_beta_feature_views() i FeatureEngineeringClient identifierar funktioner som har registrerats under Beta API och behöver migreras till formatet för Public Preview.
- Feature.clone() metoden hjälper till med att migrera betafunktionsvyer till offentlig förhandsversion.
- create_pipeline är inaktuell för funktionsvyer. använd api:et för materialiserade funktioner i stället.
Funktioner för direktuppspelning:
- StreamSource stöds nu i create_feature() för att definiera strömningsfunktioner som backas upp av Kafka- eller Delta-källor.
- create_training_set stöder nu träning av funktioner som definierats med en StreamSource.
- Nya metoderna create_stream, get_stream, update_stream, delete_stream och list_streams i FeatureEngineeringClient för att hantera funktionskällor för direktuppspelning.
- StreamingMode utlösare för materialize_features väljer mikrobatchmaterialisering.
Andra förbättringar:
- Det nya list_features() API:et på FeatureEngineeringClient listar funktioner i en katalog eller ett schema.
- Nytt grant_feature_serving_access() verktyg ger de behörigheter som krävs för online-servering av materialiserade funktioner, med ett dry_run läge för förhandsversion av åtkomst innan du tillämpar.
- DeltaTableSource.from_sql() accepterar nu en SparkSession direkt.
- DeltaTableSource.dataframe_schema ersätter den inaktuella schema_json parametern.
- RollingWindow ersätter det borttagna ContinuousWindow aliaset.
- Tog bort den utgångna parametern offset från RollingWindow; använd delay i stället.
- Stöd för tvådelade Unity Catalog-namn med en angiven standardkatalog har tagits bort.
- Felkorrigeringar och förbättringar.

databricks-feature-engineering 0.15.0

RequestSource (Beta):
- Den nya RequestSource klassen aktiverar funktioner som beräknas vid begäran från data som skickas direkt till modellen, utan att det krävs en funktionstabellsökning.
- create_feature(), create_training_set(), score_batch() och compute_features() har alla stöd för funktioner som stöds av RequestSource.
- log_model kopplar automatiskt in RequestSource funktioner i modellsignaturen.
Kolumnval (Beta):
- Med den nya ColumnSelection klassen kan du välja specifika utdatakolumner från en funktionskälla, vilket möjliggör mer detaljerade funktionsdefinitioner.
- Stöds i create_feature(), create_training_set(), compute_features()och log_model.
Andra förbättringar:
- Ny TableTrigger utlösartyp för materialize_features utlöser materialisering vid uppdateringar av Delta-tabeller.
- score_batch körs nu på Databricks Runtime Serverless runtimes.
- DeltaTableSource.from_sql() avvisar nu SQL-satser som inte stöds, till exempel GROUP BY och ORDER BY.
- RequestSource.from_dataframe() härleder begärandeschemat från en befintlig DataFrame.
- Flask-beroende har tagits bort från databricks-feature-engineering.
- Felkorrigeringar och förbättringar.

databricks-funktions-ingenjörskonst 0.14.0

Batch Deklarativa funktioner (beta):
- API för deklarativa funktioner för att lagra deklarativa funktionsdefinitioner som Unity Catalog-funktioner med aggregeringar och tidsfönster.
- API för materialiserade funktioner schemalägger automatisk batchmaterialisering av funktioner till onlinebutiker med hjälp av konfigurerbara cron-scheman.
- Materialiserade funktioner kan användas i online-servering för registrerade modeller i Unity Catalog.
- Stöd för skjut- och fallande fönster med hjälp av SlidingWindow och TumblingWindow klasser för korrekt funktionsberäkning vid en angiven tidpunkt i create_training_set().
- filter_condition parametern tillåter filtrering av källdata vid beräkning av funktioner.
Andra förbättringar:
- Nytt list_online_stores() API visar alla onlinebutiker i en katalog eller ett schema.
- Stöd för usage_policy_id faktureringsspårning när du skapar eller uppdaterar onlinebutiker.
- Förbättrade felmeddelanden när onlinebutiker tas bort eller inte är tillgängliga.
- Felkorrigeringar och prestandaförbättringar.

databricks-feature-engineering 0.13.0

API:er för hantering av Databricks-hanterade online-funktionsbutiker.
publish_table() accepterar nu parametrarna source_table_name, online_table_nameoch publish_mode för tydligare tabellspecifikation.
Stöd för read_replica_count när du skapar eller uppdaterar onlinebutiker för förbättrad lässkalbarhet.
Felkorrigeringar och förbättringar.

databricks-funktions-ingenjörskonst 0.12.1

Stöd för standardvärden för funktionssökningar.
Felkorrigeringar och förbättringar.

databricks-feature-engineering 0.11.0

Lägg till stöd för mlflow version 3.0.
Felkorrigeringar och förbättringar.

databricks-feature-engineering 0.10.2

Lägg till stöd för mlflow version 2.20.0 och senare.
Lägg till stöd för numpy version 2.x.
Felkorrigeringar och förbättringar.

databricks-feature-engineering 0.9.0

Stöd för användning av prebuilt_env i score_batch anrop.
Prestandaförbättringar för att sammanfoga funktioner vid en specifik tidpunkt med Photon.
Felkorrigeringar och förbättringar.

databricks-feature-engineering 0.8.0

Stöd för användning av params i score_batch anrop, vilket gör att ytterligare parametrar kan skickas till modellen för slutsatsdragning.
Felkorrigeringar och förbättringar.

databricks-feature-engineering 0.7.0

Vissa vyer i Unity Catalog kan nu användas som funktionstabeller för offlinemodellträning och utvärdering. Se Läsa från en funktionstabell i Unity Catalog.
Träningsuppsättningar kan nu skapas med funktionssökningar eller en funktionsspecifikation. Se Python SDK-referensen.

databricks-feature-engineering 0.6.0

Det finns nu stöd för att köra punkt-i-tid-kopplingar med inbyggd Spark, förutom befintligt stöd med Tempo. Stort tack till Semyon Sinchenko för att föreslå idén!
StructType stöds nu som en PySpark-datatyp. StructType stöds inte för onlineservering.
write_table har nu stöd för att skriva till tabeller som har flytande klustring aktiverat.
Parametern timeseries_columns för create_table har bytt namn till timeseries_column. Befintliga arbetsflöden kan fortsätta att använda parametern timeseries_columns .
score_batch stöder nu parametern env_manager . Mer information finns i MLflow-dokumentationen .

databricks-feature-engineering 0.5.0

Ny API-update_feature_spec i databricks-feature-engineering som gör det möjligt för användare att uppdatera ägaren till en FeatureSpec i Unity Catalog.

databricks-feature-engineering 0.4.0

Små felkorrigeringar och förbättringar.

databricks-feature-engineering 0.3.0

log_model använder nu det nya PyPI-paketet databricks-feature-lookup , som innehåller prestandaförbättringar för onlinemodellservering.

databricks-feature-store 0.17.0

databricks-feature-store är inaktuell. Alla befintliga moduler i det här paketet är tillgängliga i databricks-feature-engineering version 0.2.0 och senare. Mer information finns i Python API.

databricks-feature-engineering 0.2.0

databricks-feature-engineering innehåller nu alla moduler från databricks-feature-store. Mer information finns i Python API.

databricks-feature-store 0.16.3

Åtgärdar tidsgränsfel vid användning av AutoML med funktionstabeller.

databricks-feature-engineering 0.1.3

Små förbättringar i UpgradeClient.

databricks-feature-store 0.16.2

Nu kan du skapa slutpunkter för funktioner och funktionstjänster. Mer information finns i Funktioner och Funktionstjänster.

databricks-feature-store 0.16.1

Små felkorrigeringar och förbättringar.

databricks-feature-engineering 0.1.2 och databricks-feature-store 0.16.0

Små felkorrigeringar och förbättringar.
- Åtgärdade felaktiga jobblänk-URL:er som loggats med vissa konfigurationer av arbetsytor.

databricks-feature-engineering, version 0.1.1

Små felkorrigeringar och förbättringar.

databricks-feature-engineering 0.1.0

GA-version av Funktionsteknik i Unity Catalog Python-klienten till PyPI

databricks-feature-store 0.15.1

Små felkorrigeringar och förbättringar.

databricks-feature-store 0.15.0

Nu kan du automatiskt härleda och logga ett indataexempel när du loggar en modell. Det gör du genom att ange infer_model_example till True när du anropar log_model. Exemplet baseras på träningsdata som anges i parametern training_set .

databricks-feature-store 0.14.2

Åtgärda fel vid publicering till Aurora MySQL från MariaDB Connector/J >=2.7.5.

databricks-feature-store 0.14.1

Små felkorrigeringar och förbättringar.

databricks-feature-store 0.14.0

Från och med 0.14.0 måste du ange tidsstämpelnyckelkolumner i argumentet primary_keys. Tidsstämpelnycklar är en del av de "primära nycklar" som unikt identifierar varje rad i funktionstabellen. Precis som andra primärnyckelkolumner kan tidsstämpelnyckelkolumner inte innehålla NULL-värden.

I följande exempel innehåller DataFrame-user_features_df följande kolumner: user_id, ts, purchases_30doch is_free_trial_active.

0.14.0 och senare

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 och lägre

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

Små felkorrigeringar och förbättringar.

databricks-feature-store 0.13.0

Den lägsta version som krävs mlflow-skinny är nu 2.4.0.
Det går inte att skapa en träningsuppsättning om den angivna DataFrame inte innehåller alla nödvändiga uppslagsnycklar.
När du loggar en modell som använder funktionstabeller i Unity Catalog loggas en MLflow-signatur automatiskt med modellen.

databricks-feature-store 0.12.0

Nu kan du ta bort en onlinebutik med hjälp av API:et drop_online_table .

databricks-feature-store 0.11.0

I Unity Catalog-aktiverade arbetsytor kan du nu publicera funktionstabeller för både arbetsyta och Unity Catalog till Cosmos DB-onlinebutiker. Detta kräver Databricks Runtime 13.0 ML eller senare.

databricks-feature-store 0.10.0

Små felkorrigeringar och förbättringar.

databricks-feature-store 0.9.0

Små felkorrigeringar och förbättringar.

databricks-feature-store 0.8.0

Små felkorrigeringar och förbättringar.

databricks-feature-store 0.7.1

Lägg till flask som ett beroende för att åtgärda problem med saknade beroenden vid bedömning av modeller med score_batch.

databricks-feature-store 0.7.0

Små felkorrigeringar och förbättringar.

databricks-feature-store 0.6.1

Första offentliga versionen av Databricks Feature Store-klienten till PyPI.

Feedback

Var den här sidan till hjälp?

Uppdaterades senast 2026-10-01