આ લેખ પાયથોન ગેટવે વિશે છે, જે ઇન્ટરસિસ્ટમ્સ IRIS ડેટા પ્લેટફોર્મ માટે એક ઓપન સોર્સ સમુદાય પ્રોજેક્ટ છે. આ પ્રોજેક્ટ તમને Python (ઘણા ડેટા વૈજ્ઞાનિકો માટેનું મુખ્ય વાતાવરણ) માં બનાવેલ કોઈપણ મશીન લર્નિંગ અલ્ગોરિધમ્સને ઑર્કેસ્ટ્રેટ કરવાની મંજૂરી આપે છે, ઇન્ટરસિસ્ટમ્સ IRIS પ્લેટફોર્મ પર ઝડપથી અનુકૂલનશીલ, રોબોટિક વિશ્લેષણાત્મક AI/ML ઉકેલો બનાવવા માટે અસંખ્ય તૈયાર પુસ્તકાલયોનો ઉપયોગ કરી શકે છે. આ લેખમાં, હું તમને બતાવીશ કે કેવી રીતે InterSystems IRIS પાયથોન પ્રક્રિયાઓનું આયોજન કરી શકે છે, કાર્યક્ષમ દ્વિ-માર્ગી ડેટા ટ્રાન્સફર કરી શકે છે અને બુદ્ધિશાળી વ્યવસાય પ્રક્રિયાઓ બનાવી શકે છે.

યોજના

1. પરિચય
2. સાધનો.
3. સ્થાપન.
4. API.
5. આંતરકાર્યક્ષમતા.
6. જ્યુપીટર નોટબુક.
7. તારણો
8. લિંક્સ.
9. M.L. ટૂલકીટ.

પરિચય

પાયથોન એ ઉચ્ચ-સ્તરની, સામાન્ય-હેતુની પ્રોગ્રામિંગ ભાષા છે જે વિકાસકર્તાની ઉત્પાદકતા અને કોડ વાંચનક્ષમતા સુધારવા પર કેન્દ્રિત છે. લેખોની આ શ્રેણીમાં, હું InterSystems IRIS પ્લેટફોર્મ પર Python ભાષાનો ઉપયોગ કરવાની શક્યતાઓ વિશે વાત કરીશ, જ્યારે આ લેખનું મુખ્ય ધ્યાન મશીન લર્નિંગ મોડલ્સ બનાવવા અને લાગુ કરવા માટે ભાષા તરીકે પાયથોનનો ઉપયોગ છે.

મશીન લર્નિંગ (ML) એ આર્ટિફિશિયલ ઇન્ટેલિજન્સ પદ્ધતિઓનો એક વર્ગ છે, જેની લાક્ષણિકતા એ સમસ્યાનો સીધો ઉકેલ નથી, પરંતુ ઘણી સમાન સમસ્યાઓના ઉકેલની પ્રક્રિયામાં શીખવું છે.

મશીન લર્નિંગ અલ્ગોરિધમ્સ અને મોડલ્સ વધુ ને વધુ સામાન્ય બની રહ્યા છે. આના ઘણા કારણો છે, પરંતુ તે બધા સુલભતા, સરળતા અને વ્યવહારુ પરિણામો પ્રાપ્ત કરવા માટે નીચે આવે છે. શું ક્લસ્ટરિંગ અથવા તો ન્યુરલ નેટવર્ક મોડેલિંગ એ નવી તકનીક છે?

અલબત્ત નહીં, પરંતુ આજકાલ એક મોડેલ ચલાવવા માટે કોડની હજારો લીટીઓ લખવાની જરૂર નથી, અને મોડેલ બનાવવા અને તેનો ઉપયોગ કરવાનો ખર્ચ ઓછો અને ઓછો થતો જાય છે.

ટૂલ્સ વિકસિત થઈ રહ્યા છે - જ્યારે અમારી પાસે સંપૂર્ણ GUI ઓરિએન્ટેડ AI/ML ટૂલ્સ નથી, ત્યારે અમે BI (કોડ લખવાથી માંડીને ફ્રેમવર્ક અને GUI ઓરિએન્ટેડ કન્ફિગરેબલ સોલ્યુશન્સનો ઉપયોગ કરવા સુધી) જેવી માહિતી પ્રણાલીના અન્ય ઘણા વર્ગો સાથે જે પ્રગતિ જોઈ છે તે પણ જોવા મળે છે. AI/ML નિર્માણ સાધનોમાં. અમે કોડ લખવાનો તબક્કો પહેલાથી જ પસાર કર્યો છે અને આજે આપણે મોડેલ બનાવવા અને તાલીમ આપવા માટે ફ્રેમવર્કનો ઉપયોગ કરીએ છીએ.

અન્ય સુધારણાઓ, જેમ કે પૂર્વ-પ્રશિક્ષિત મોડેલનો પ્રચાર કરવાની ક્ષમતા જ્યાં અંતિમ વપરાશકર્તાએ તેમના ચોક્કસ ડેટા પર મોડેલની તાલીમ પૂર્ણ કરવી આવશ્યક છે, તે પણ મશીન લર્નિંગ લાગુ કરવાનું શરૂ કરવાનું સરળ બનાવે છે. આ એડવાન્સિસ પ્રોફેશનલ્સ અને સમગ્ર કંપનીઓ બંને માટે મશીન લર્નિંગ શીખવાનું વધુ સરળ બનાવે છે.

બીજી તરફ, અમે વધુ ને વધુ ડેટા એકત્રિત કરીએ છીએ. ઇન્ટરસિસ્ટમ્સ IRIS જેવા એકીકૃત ડેટા પ્લેટફોર્મ સાથે, આ બધી માહિતી તરત જ તૈયાર કરી શકાય છે અને મશીન લર્નિંગ મોડલ્સ માટે ઇનપુટ તરીકે ઉપયોગ કરી શકાય છે.

ક્લાઉડમાં સંક્રમણ સાથે, AI/ML પ્રોજેક્ટ્સ લૉન્ચ કરવાનું પહેલા કરતાં વધુ સરળ છે. આપણે ફક્ત જરૂરી સંસાધનોનો ઉપયોગ કરી શકીએ છીએ. તદુપરાંત, ક્લાઉડ પ્લેટફોર્મ્સ દ્વારા ઓફર કરાયેલ સમાંતરતા માટે આભાર, અમે વેડફાયેલા સમયને બચાવી શકીએ છીએ.

પરંતુ પરિણામો વિશે શું? આ તે છે જ્યાં વસ્તુઓ વધુ જટિલ બને છે. મોડેલો બનાવવા માટે ઘણા બધા સાધનો છે, જેની હું આગળ ચર્ચા કરીશ. સારું મોડેલ બનાવવું સરળ નથી, પરંતુ આગળ શું? વ્યવસાય દ્વારા મોડેલના ઉપયોગથી નફો મેળવવો એ પણ મામૂલી કાર્ય નથી. સમસ્યાનું મૂળ વિશ્લેષણાત્મક અને ટ્રાન્ઝેક્શનલ વર્કલોડ અને ડેટા મોડલ્સનું વિભાજન છે. જ્યારે અમે કોઈ મોડેલને તાલીમ આપીએ છીએ, ત્યારે અમે તેને સામાન્ય રીતે ઐતિહાસિક ડેટા પર કરીએ છીએ. પરંતુ કન્સ્ટ્રક્ટેડ મોડલ માટેનું સ્થાન ટ્રાન્ઝેક્શનલ ડેટા પ્રોસેસિંગમાં છે. જો આપણે તેને દિવસમાં એકવાર ચલાવીએ તો શ્રેષ્ઠ કપટપૂર્ણ વ્યવહાર શોધ મોડલ શું સારું છે? છેતરપિંડી કરનારા લાંબા સમયથી પૈસા લઈને નીકળી ગયા છે. અમારે ઐતિહાસિક ડેટા પર મોડેલને તાલીમ આપવાની જરૂર છે, પરંતુ અમારે તેને નવા આવનારા ડેટા પર વાસ્તવિક સમયમાં લાગુ કરવાની પણ જરૂર છે જેથી અમારી વ્યવસાય પ્રક્રિયાઓ મોડેલ દ્વારા કરવામાં આવેલી આગાહીઓ અનુસાર કાર્ય કરી શકે.

ML Toolkit એ એક ટૂલકીટ છે જે ફક્ત તે જ કરે છે: મોડલ્સને એકસાથે લાવવું અને વ્યવહારિક વાતાવરણ કે જેથી તમે જે મોડલ બનાવો છો તેનો સીધો ઉપયોગ તમારી વ્યવસાયિક પ્રક્રિયાઓમાં થઈ શકે. પાયથોન ગેટવે એ ML ટૂલકીટનો એક ભાગ છે અને પાયથોન ભાષા સાથે એકીકરણ પ્રદાન કરે છે (R ગેટવેની જેમ, ML ટૂલકીટનો ભાગ હોવાથી R ભાષા સાથે સંકલન પૂરું પાડે છે).

ટૂલકિટ

અમે ચાલુ રાખતા પહેલા, હું થોડા પાયથોન ટૂલ્સ અને લાઇબ્રેરીઓનું વર્ણન કરવા માંગુ છું જેનો આપણે પછીથી ઉપયોગ કરીશું.

ટેકનોલોજી

• પાયથોન એક અર્થઘટન, સામાન્ય હેતુ, ઉચ્ચ-સ્તરની પ્રોગ્રામિંગ ભાષા છે. ભાષાનો મુખ્ય ફાયદો ગાણિતિક, ML અને AI પુસ્તકાલયોની વિશાળ પુસ્તકાલય છે. ઑબ્જેક્ટસ્ક્રિપ્ટની જેમ, તે ઑબ્જેક્ટ-ઓરિએન્ટેડ ભાષા છે, પરંતુ દરેક વસ્તુ ગતિશીલ રીતે વ્યાખ્યાયિત કરવામાં આવે છે, સ્થિર રીતે નહીં. તેમજ દરેક વસ્તુ એક વસ્તુ છે. પછીના લેખો ભાષા સાથે પસાર થતા પરિચિતતા ધારે છે. જો તમે શીખવાનું શરૂ કરવા માંગતા હો, તો હું તેની સાથે પ્રારંભ કરવાની ભલામણ કરું છું દસ્તાવેજીકરણ.
• અમારી આગામી કસરતો માટે, સેટ કરો Python 3.6.7 64bit.
• IDE: હું ઉપયોગ કરું છું પાઇચાર્મ, પરંતુ સામાન્ય રીતે много. જો તમે Atelier નો ઉપયોગ કરી રહ્યા છો, તો Python ડેવલપર્સ માટે Eclipse પ્લગઇન છે. જો તમે VS કોડનો ઉપયોગ કરી રહ્યાં છો, તો Python માટે એક એક્સટેન્શન છે.
• નોટબુક: IDE ને બદલે, તમે ઓનલાઈન નોટબુકમાં તમારી સ્ક્રિપ્ટ લખી અને શેર કરી શકો છો. તેમાંથી સૌથી વધુ લોકપ્રિય છે જ્યુપીટર.

પુસ્તકાલયો

અહીં મશીન લર્નિંગ લાઇબ્રેરીઓની (આંશિક) સૂચિ છે:

• નમy — ચોક્કસ ગણતરીઓ માટે મૂળભૂત પેકેજ.
• પાંડા - ઉચ્ચ-પ્રદર્શન ડેટા સ્ટ્રક્ચર્સ અને ડેટા વિશ્લેષણ સાધનો.
• મેટપ્લોટલિબ - ચાર્ટ બનાવવું.
• સીબોર્ન - matplotlib પર આધારિત ડેટા વિઝ્યુલાઇઝેશન.
• સ્ક્લેર્ન - મશીન શીખવાની પદ્ધતિઓ.
• XGBoost — ગ્રેડિયન્ટ બૂસ્ટિંગ પદ્ધતિમાં મશીન લર્નિંગ અલ્ગોરિધમ્સ.
• જેન્સિમ - એનએલપી.
• કેરાસ - ન્યુરલ નેટવર્ક્સ.
• ટેન્સરફ્લો મશીન લર્નિંગ મૉડલ્સ બનાવવાનું પ્લેટફોર્મ છે.
• પાયટોર્ચ પાયથોન પર કેન્દ્રિત મશીન લર્નિંગ મોડલ્સ બનાવવાનું પ્લેટફોર્મ છે.
• ન્યોકા - વિવિધ મોડેલોમાંથી PMML.

AI/ML તકનીકો વ્યવસાયને વધુ કાર્યક્ષમ અને અનુકૂલનક્ષમ બનાવે છે. તદુપરાંત, આજે આ તકનીકો વિકસાવવા અને અમલમાં મૂકવા માટે સરળ બની રહી છે. AI/ML ટેક્નોલોજીઓ વિશે શીખવાનું શરૂ કરો અને તે કેવી રીતે તમારી સંસ્થાના વિકાસમાં મદદ કરી શકે છે.

સ્થાપન

પાયથોન ગેટવેને ઇન્સ્ટોલ અને ઉપયોગ કરવાની ઘણી રીતો છે:

• ઓ.એસ.
  • વિન્ડોઝ
  • Linux
  • મેક
• Docker
  • ડોકરહબમાંથી છબીનો ઉપયોગ કરો
  • તમારી પોતાની છબી બનાવો

ઇન્સ્ટોલેશન પદ્ધતિને ધ્યાનમાં લીધા વિના, તમારે સ્રોત કોડની જરૂર પડશે. કોડ ડાઉનલોડ કરવાની એકમાત્ર જગ્યા છે પાનું પ્રકાશિત કરે છે. તેમાં ચકાસાયેલ સ્થિર રીલીઝ છે, ફક્ત નવીનતમ રીલીઝ મેળવો. આ ક્ષણે તે 0.8 છે, પરંતુ સમય જતાં ત્યાં નવા હશે. રિપોઝીટરીને ક્લોન/ડાઉનલોડ કરશો નહીં, નવીનતમ પ્રકાશન ડાઉનલોડ કરો.

ઓ.એસ.

જો તમે ઓપરેટિંગ સિસ્ટમ પર પાયથોન ગેટવે ઇન્સ્ટોલ કરી રહ્યાં છો, તો પહેલા (ઓપરેટિંગ સિસ્ટમને ધ્યાનમાં લીધા વિના) તમારે પાયથોન ઇન્સ્ટોલ કરવાની જરૂર પડશે. આ માટે:

1. પાયથોન 3.6.7 64 બીટ ઇન્સ્ટોલ કરો. ડિફૉલ્ટ ડિરેક્ટરીમાં પાયથોન ઇન્સ્ટોલ કરવાની ભલામણ કરવામાં આવે છે.
2. મોડ્યુલ ઇન્સ્ટોલ કરો dill: pip install dill.
3. ઑબ્જેક્ટસ્ક્રિપ્ટ કોડ ડાઉનલોડ કરો (દા.ત. do $system.OBJ.ImportDir("C:InterSystemsReposPythoniscpy", "*.cls", "c",,1)) ઉત્પાદનો સાથે કોઈપણ વિસ્તારમાં. જો તમે ઉત્પાદનોને સમર્થન આપવા માટે અસ્તિત્વમાં છે તે વિસ્તાર ઇચ્છતા હો, તો ચલાવો: write ##class(%EnsembleMgr).EnableNamespace($Namespace, 1).
4. સ્થળ કૉલઆઉટ DLL/SO/DYLIB ફોલ્ડર પર bin તમારું InterSystems IRIS ઉદાહરણ. દ્વારા પરત કરવામાં આવેલ પાથમાં લાઈબ્રેરી ફાઈલ ઉપલબ્ધ હોવી જોઈએ write ##class(isc.py.Callout).GetLib().

વિન્ડોઝ

1. ખાતરી કરો કે પર્યાવરણ ચલ છે PYTHONHOME Python 3.6.7 તરફ નિર્દેશ કરે છે.
2. ખાતરી કરો કે સિસ્ટમ પર્યાવરણ ચલ છે PATH ચલ સમાવે છે PYTHONHOME (અથવા તે નિર્દેશિકા જે નિર્દેશ કરે છે).

Linux (ડેબિયન/ઉબુન્ટુ)

1. પર્યાવરણ ચલ છે કે કેમ તે તપાસો PATH સમાવે છે /usr/lib и /usr/lib/x86_64-linux-gnu. ફાઇલનો ઉપયોગ કરો /etc/environment પર્યાવરણ ચલો સેટ કરવા માટે.
2. ભૂલોના કિસ્સામાં undefined symbol: _Py_TrueStruct સેટિંગ સેટ કરો PythonLib. માં પણ રીડમી એક મુશ્કેલીનિવારણ વિભાગ છે.

મેક

1. હાલમાં માત્ર python 3.6.7 થી સપોર્ટેડ છે પાયથોન. Org. ચલ તપાસો PATH.

જો તમે પર્યાવરણ ચલો બદલ્યા હોય, તો તમારું InterSystems ઉત્પાદન પુનઃપ્રારંભ કરો.

Docker

કન્ટેનરનો ઉપયોગ કરવાના ઘણા ફાયદા છે:

• પોર્ટેબિલિટી
• અસરકારકતા
• ઇંસ્યુલેશન
• હળવાશ
• અપરિવર્તનક્ષમતા

આ તપાસો લેખોની શ્રેણી InterSystems ઉત્પાદનો સાથે ડોકરનો ઉપયોગ કરવા વિશે વધુ માહિતી માટે.

તમામ પાયથોન ગેટવે બિલ્ડ હાલમાં કન્ટેનર આધારિત છે. 2019.4.

સમાપ્ત થયેલ છબી

ચલાવો: docker run -d -p 52773:52773 --name irispy intersystemscommunity/irispy-community:latestInterSystems IRIS કોમ્યુનિટી એડિશન સાથે પાયથોન ગેટવે ડાઉનલોડ કરવા અને ચલાવવા માટે. બસ એટલું જ.

તમારી પોતાની છબી બનાવો

ડોકર ઇમેજ બનાવવા માટે, રીપોઝીટરીના રુટમાં ચલાવો: docker build --force-rm --tag intersystemscommunity/irispy:latest ..
ડિફૉલ્ટ રૂપે, ઇમેજ ઇમેજ પર આધારિત છે store/intersystems/iris-community:2019.4.0.383.0, જો કે તમે વેરીએબલ સેટ કરીને આને બદલી શકો છો IMAGE.
InterSystems IRIS થી બિલ્ડ કરવા માટે ચલાવો: `docker build --build-arg IMAGE=store/intersystems/iris:2019.4.0.383.0 --force-rm --tag intersystemscommunity/irispy:latest'.

તે પછી, તમે ડોકર ઇમેજ ચલાવી શકો છો:

docker run -d 
  -p 52773:52773 
  -v /<HOST-DIR-WITH-iris.key>/:/mount 
  --name irispy 
  intersystemscommunity/irispy:latest 
  --key /mount/iris.key

જો તમે InterSystems IRIS કોમ્યુનિટી એડિશન પર આધારિત ઇમેજનો ઉપયોગ કરી રહ્યાં છો, તો તમારે કીનો ઉલ્લેખ કરવાની જરૂર નથી.

Комментарии

• ટેસ્ટ પ્રક્રિયા isc.py.test.Process અસ્થાયી નિર્દેશિકામાં સંખ્યાબંધ છબીઓને સાચવે છે. તમે આ પાથને માઉન્ટ થયેલ ડિરેક્ટરીમાં બદલવા માગી શકો છો. આ કરવા માટે, સેટિંગમાં ફેરફાર કરો WorkingDir માઉન્ટ થયેલ ડિરેક્ટરી સ્પષ્ટ કરી રહ્યા છીએ.
• ટર્મિનલ ઍક્સેસ કરવા માટે, ચલાવો: docker exec -it irispy sh.
• લોગિન દ્વારા સિસ્ટમ મેનેજમેન્ટ પોર્ટલની ઍક્સેસ SuperUser/SYS.
• કન્ટેનર રોકવા માટે, ચલાવો: docker stop irispy && docker rm --force irispy.

ઇન્સ્ટોલેશન તપાસી રહ્યું છે

એકવાર તમે પાયથોન ગેટવે ઇન્સ્ટોલ કરી લો તે પછી, તે કામ કરી રહ્યું છે તે તપાસવું યોગ્ય છે. આ કોડને InterSystems IRIS ટર્મિનલમાં ચલાવો:

set sc = ##class(isc.py.Callout).Setup() 
set sc = ##class(isc.py.Main).SimpleString("x='HELLO'", "x", , .var).
write var

પરિણામ આવવું જોઈએ HELLO - પાયથોન ચલની કિંમત x. જો પરત સ્થિતિ sc એક ભૂલ છે અથવા var ખાલી, તપાસો રીડમી - મુશ્કેલીનિવારણ વિભાગ.

API

પાયથોન ગેટવે ઇન્સ્ટોલ કરેલું છે અને તમે ચકાસ્યું છે કે તે કામ કરી રહ્યું છે. તેનો ઉપયોગ શરૂ કરવાનો સમય!
Python માટે મુખ્ય ઈન્ટરફેસ છે isc.py.Main. તે પદ્ધતિઓના નીચેના જૂથો પ્રદાન કરે છે (બધા વળતર %Status):

• કોડ એક્ઝેક્યુશન
• ડેટા ટ્રાન્સફર
• સહાયક

કોડ એક્ઝેક્યુશન

આ પદ્ધતિઓ તમને મનસ્વી પાયથોન કોડ ચલાવવા માટે પરવાનગી આપે છે.

સિમ્પલસ્ટ્રિંગ

SimpleString મુખ્ય પદ્ધતિ છે. તે 4 વૈકલ્પિક દલીલો લે છે:

• code ચલાવવા માટે કોડની લાઇન છે. લાઇન ફીડ અક્ષર: $c(10).
• returnVariable પરત કરવા માટેના ચલનું નામ છે.
• serialization - કેવી રીતે સીરીયલાઇઝ કરવું returnVariable. 0 - સ્ટ્રિંગ (ડિફૉલ્ટ), 1 - repr.
• result - ચલનો સંદર્ભ બાયરેફ જેમાં વેલ્યુ લખેલી છે returnVariable.

ઉપર અમે કર્યું છે:

set sc = ##class(isc.py.Main).SimpleString("x='HELLO'", "x", , .var).

આ ઉદાહરણમાં, અમે Python વેરીએબલને સોંપી રહ્યા છીએ x અર્થ Hello અને Python વેરીએબલની કિંમત પરત કરવા માંગો છો x ઑબ્જેક્ટસ્ક્રિપ્ટ વેરીએબલ માટે var.

એક્ઝિક્યુટ કોડ

ExecuteCode એ એક સુરક્ષિત અને ઓછો પ્રતિબંધિત વિકલ્પ છે SimpleString.
ઇન્ટરસિસ્ટમ્સ IRIS પ્લેટફોર્મમાં લાઇન્સ 3 અક્ષરો સુધી મર્યાદિત છે, અને જો તમે કોડનો લાંબો ભાગ ચલાવવા માંગતા હો, તો તમારે સ્ટ્રીમ્સનો ઉપયોગ કરવાની જરૂર છે.
તે બે દલીલો લે છે:

• code પાયથોન કોડની સ્ટ્રીંગ અથવા સ્ટ્રીમ ચલાવવા માટે.
• variable - (વૈકલ્પિક) અમલનું પરિણામ સોંપે છે code આ Python ચલ.

ઉપયોગ કરવાનું સૂચન કરો:

set sc = ##class(isc.py.Main).ExecuteCode("2*3", "y").

આ ઉદાહરણમાં, અમે 2 ને 3 વડે ગુણાકાર કરીએ છીએ અને પરિણામને Python ચલમાં સંગ્રહિત કરીએ છીએ y.

ડેટા ટ્રાન્સફર

પાયથોન પર અને તેમાંથી ડેટા પાસ કરો.

Python -> InterSystems IRIS

ઇન્ટરસિસ્ટમ્સ IRIS માં Python વેરીએબલનું મૂલ્ય મેળવવાની 4 રીતો છે, જે તમને જોઈતી શ્રેણીબદ્ધતાના આધારે છે:

• String સરળ ડેટા પ્રકારો અને ડીબગીંગ માટે.
• Repr સરળ વસ્તુઓ સ્ટોર કરવા અને ડિબગીંગ માટે.
• JSON ઇન્ટરસિસ્ટમ્સ IRIS બાજુ પર સરળ ડેટા મેનીપ્યુલેશન માટે.
• Pickle વસ્તુઓ બચાવવા માટે.

આ પદ્ધતિઓ તમને પાયથોનમાંથી સ્ટ્રીંગ તરીકે અથવા સ્ટ્રીમ્સ તરીકે વેરિયેબલ્સ પ્રાપ્ત કરવાની મંજૂરી આપે છે.

• GetVariable(variable, serialization, .stream, useString) - મેળવો serialization ચલ variable в stream. જો useString 1 છે અને ક્રમાંકન સ્ટ્રિંગમાં મૂકવામાં આવે છે, પછી સ્ટ્રિંગ પરત કરવામાં આવે છે, સ્ટ્રીમ નહીં.
• GetVariableJson(variable, .stream, useString) - ચલનું JSON સીરીયલાઇઝેશન મેળવો.
• GetVariablePickle(variable, .stream, useString, useDill) - એક ચલનું અથાણું (અથવા સુવાદાણા) શ્રેણીબદ્ધ મેળવો.

ચાલો આપણું ચલ મેળવવાનો પ્રયત્ન કરીએ y.

set sc = ##class(isc.py.Main).GetVariable("y", , .val, 1)
write val
>6

ઇન્ટરસિસ્ટમ્સ IRIS -> Python

InterSystems IRIS માંથી Python માં ડેટા લોડ કરી રહ્યું છે.

• ExecuteQuery(query, variable, type, namespace) - ડેટાસેટ બનાવે છે (પાંડા dataframe અથવા list) sql ક્વેરીમાંથી અને તેને python વેરીએબલ પર સેટ કરો variable. પ્લાસ્ટિકની થેલી isc.py વિસ્તારમાં ઉપલબ્ધ હોવી જોઈએ namespace - વિનંતી ત્યાં ચલાવવામાં આવશે.
• ExecuteGlobal(global, variable, type, start, end, mask, labels, namespace) - વૈશ્વિક ડેટા લોડ કરે છે global સબસ્ક્રીપ્ટમાંથી start માટે end પ્રકાર વેરીએબલ તરીકે પાયથોનમાં type: list, અથવા પાંડા dataframe. વૈકલ્પિક દલીલોનું વર્ણન mask અને labels વર્ગ દસ્તાવેજીકરણ અને રીપોઝીટરીમાં ઉપલબ્ધ છે ડેટા ટ્રાન્સફર દસ્તાવેજો.
• ExecuteClass(class, variable, type, start, end, properties, namespace) - વર્ગ ડેટા લોડ કરે છે class આઈડી પરથી start માટે end પ્રકાર વેરીએબલ તરીકે પાયથોનમાં type: list, અથવા પાંડા dataframe. properties — ડેટાસેટમાં લોડ કરવા માટેની વર્ગ ગુણધર્મોની સૂચિ (અલ્પવિરામ દ્વારા અલગ). માસ્ક સપોર્ટેડ છે * и ?. ડિફોલ્ટ - * (તમામ ગુણધર્મો). મિલકત %%CLASSNAME અવગણવામાં
• ExecuteTable(table, variable, type, start, end, properties, namespace) - ટેબલ ડેટા લોડ કરે છે table આઈડી પરથી start માટે end અજગર માં.

ExecuteQuery - સાર્વત્રિક (કોઈપણ માન્ય SQL ક્વેરી પાયથોનને પસાર કરવામાં આવશે). જો કે, ExecuteGlobal અને તેના આવરણ ExecuteClass и ExecuteTable સંખ્યાબંધ પ્રતિબંધો સાથે કામ કરો. તેઓ ખૂબ ઝડપી છે (ODBC ડ્રાઇવર કરતાં 3-5 ગણા ઝડપી અને કરતાં 20 ગણા ઝડપી ExecuteQuery). માં વધુ માહિતી ડેટા ટ્રાન્સફર દસ્તાવેજો.
આ તમામ પદ્ધતિઓ કોઈપણ ક્ષેત્રમાંથી ડેટાના ટ્રાન્સફરને સપોર્ટ કરે છે. પ્લાસ્ટિકની થેલી isc.py લક્ષ્ય વિસ્તારમાં ઉપલબ્ધ હોવું જોઈએ.

ExecuteQuery

ExecuteQuery(request, variable, type, namespace) - કોઈપણ માન્ય SQL ક્વેરીનાં પરિણામો પાયથોનને પસાર કરવા. આ સૌથી ધીમી ડેટા ટ્રાન્સફર પદ્ધતિ છે. જો તેનો ઉપયોગ કરો ExecuteGlobal અને તેના રેપર્સ ઉપલબ્ધ નથી.

દલીલો:

• query - sql ક્વેરી.
• variable - પાયથોન વેરીએબલનું નામ જેમાં ડેટા લખાયેલ છે.
• type - list અથવા પાંડા dataframe.
• namespace - તે વિસ્તાર કે જેમાં વિનંતીનો અમલ કરવામાં આવશે.

એક્ઝિક્યુટ ગ્લોબલ

ExecuteGlobal(global, variable, type, start, end, mask, labelels, namespace) - પાયથોનને વૈશ્વિક પસાર કરવું.

દલીલો:

• global વિના વૈશ્વિક નામ છે ^
• variable - પાયથોન વેરીએબલનું નામ જેમાં ડેટા લખાયેલ છે.
• type - list અથવા પાંડા dataframe.
• start - વૈશ્વિક ની પ્રથમ સબસ્ક્રીપ્ટ. જરૂરી %Integer.
• end વૈશ્વિક ની છેલ્લી સબસ્ક્રીપ્ટ છે. જરૂરી %Integer.
• mask - વૈશ્વિક મૂલ્યોનો માસ્ક. માસ્ક વૈશ્વિક ક્ષેત્રોની સંખ્યા કરતા ટૂંકો હોઈ શકે છે (જે કિસ્સામાં છેડે ફીલ્ડ્સ છોડવામાં આવશે). માસ્કને કેવી રીતે ફોર્મેટ કરવું:
  • + જેમ છે તેમ મૂલ્ય પસાર કરો.
  • - મૂલ્ય છોડો.
  • b - બુલિયન પ્રકાર (0 - False, બાકીનું બધું - True).
  • d — તારીખ ($horolog માંથી, Windows પર 1970 થી, Linux પર 1900 થી).
  • t - સમય ($ horolog, મધ્યરાત્રિ પછીની સેકંડ).
  • m — ટાઇમસ્ટેમ્પ (વર્ષ-મહિનો-દિવસ HOUR:MINUTE:SECOND ફોર્મેટ સ્ટ્રિંગ).
• labels - % કૉલમ નામોની સૂચિ. પ્રથમ તત્વ સબસ્ક્રિપ્ટનું નામ છે.
• namespace - તે વિસ્તાર કે જેમાં વિનંતીનો અમલ કરવામાં આવશે.

ExecuteClass

ઉપર લપેટી ExecuteGlobal. વર્ગની વ્યાખ્યાના આધારે કૉલ તૈયાર કરે છે ExecuteGlobal અને તેને બોલાવે છે.

ExecuteClass(class, variable, type, start, end, properties, namespace) - પાયથોનને વર્ગ ડેટા પસાર કરવો.

દલીલો:

• class - વર્ગનું નામ
• variable - પાયથોન વેરીએબલનું નામ જેમાં ડેટા લખાયેલ છે.
• type - list અથવા પાંડા dataframe.
• start - પ્રારંભિક આઈડી.
• end - અંતિમ આઈડી
• properties — ડેટાસેટમાં લોડ કરવા માટેની વર્ગ ગુણધર્મોની સૂચિ (અલ્પવિરામ દ્વારા અલગ). માસ્ક સપોર્ટેડ છે * и ?. ડિફોલ્ટ - * (તમામ ગુણધર્મો). મિલકત %%CLASSNAME અવગણવામાં
• namespace - તે વિસ્તાર કે જેમાં વિનંતીનો અમલ કરવામાં આવશે.

તમામ પ્રોપર્ટીઝ ટાઇપ પ્રોપર્ટીઝ સિવાયની જેમ જ પસાર થાય છે %Date, %Time, %Boolean и %TimeStamp - તેઓ અનુરૂપ Python વર્ગોમાં રૂપાંતરિત થાય છે.

એક્ઝિક્યુટ ટેબલ

ઉપર લપેટી ExecuteClass. કોષ્ટકના નામનું વર્ગના નામ અને કૉલ્સમાં અનુવાદ કરે છે ExecuteClass. હસ્તાક્ષર:

ExecuteTable(table, variable, type, start, end, properties, namespace) - પાયથોનને ટેબલ ડેટા પસાર કરવો.

દલીલો:

• table - ટેબલ નામ.
  અન્ય તમામ દલીલો જેમ છે તેમ પસાર કરવામાં આવે છે. ExecuteClass.

નોંધો

• ExecuteGlobal, ExecuteClass и ExecuteTable સમાન ઝડપથી કામ કરો.
• ExecuteGlobal કરતાં 20 ગણી ઝડપી ExecuteQuery મોટા ડેટાસેટ્સ પર (ટ્રાન્સફર સમય >0.01 સેકન્ડ).
• ExecuteGlobal, ExecuteClass и ExecuteTable આ માળખા સાથે વૈશ્વિક પર કામ કરો: ^global(key) = $lb(prop1, prop2, ..., propN) જ્યાં key પૂર્ણાંક છે.
• માટે ExecuteGlobal, ExecuteClass и ExecuteTable સમર્થિત મૂલ્ય શ્રેણી %Date શ્રેણીને અનુરૂપ છે mktime અને OS પર આધાર રાખે છેવિન્ડોઝ: 1970-01-01, Linux 1900-01-01, મેક). વાપરવુ %TimeStampઆ શ્રેણીની બહાર ડેટા પસાર કરવા અથવા પાંડા ડેટાફ્રેમનો ઉપયોગ આ રીતે કરવા માટે આ મર્યાદા ફક્ત સૂચિ માટે છે.
• માટે ExecuteGlobal, ExecuteClass и ExecuteTable ડેટા સ્ત્રોત (વૈશ્વિક, વર્ગ અથવા કોષ્ટક) અને ચલ સિવાયની તમામ દલીલો વૈકલ્પિક છે.

ઉદાહરણો

પરીક્ષણ વર્ગ isc.py.test.વ્યક્તિ એક પદ્ધતિ ધરાવે છે જે તમામ ડેટા ટ્રાન્સફર વિકલ્પો દર્શાવે છે:

set global = "isc.py.test.PersonD"
set class = "isc.py.test.Person"
set table = "isc_py_test.Person"
set query = "SELECT * FROM isc_py_test.Person"

// Общие аргументы
set variable = "df"
set type = "dataframe"
set start = 1
set end = $g(^isc.py.test.PersonD, start)

// Способ 0: ExecuteGlobal без аргументов
set sc = ##class(isc.py.Main).ExecuteGlobal(global, variable _ 0, type)

// Способ 1: ExecuteGlobal с аргументами    
// При передаче глобала названия полей задаются вручную
// globalKey - название сабсткрипта 
set labels = $lb("globalKey", "Name", "DOB", "TS", "RandomTime", "AgeYears", "AgeDecimal", "AgeDouble", "Bool")

// mask содержит на 1 элемент меньше чем labels потому что "globalKey" - название сабскипта
// Пропускаем %%CLASSNAME
set mask = "-+dmt+++b"

set sc = ##class(isc.py.Main).ExecuteGlobal(global, variable _ 1, type, start, end, mask, labels)

// Способ 2: ExecuteClass
set sc = ##class(isc.py.Main).ExecuteClass(class, variable _ 2, type, start, end)

// Способ 3: ExecuteTable
set sc = ##class(isc.py.Main).ExecuteTable(table, variable _ 3, type, start, end)

// Способ 4: ExecuteTable
set sc = ##class(isc.py.Main).ExecuteQuery(query, variable _ 4, type)

કૉલ પદ્ધતિ do ##class(isc.py.test.Person).Test() તમામ ડેટા ટ્રાન્સફર પદ્ધતિઓ કેવી રીતે કાર્ય કરે છે તે જોવા માટે.

સહાયક પદ્ધતિઓ

• GetVariableInfo(variable, serialization, .defined, .type, .length) - ચલ વિશે માહિતી મેળવો: શું તે વ્યાખ્યાયિત છે, વર્ગ અને શ્રેણીની લંબાઈ.
• GetVariableDefined(variable, .defined) - શું ચલ વ્યાખ્યાયિત થયેલ છે.
• GetVariableType(variable, .type) - ચલનો વર્ગ મેળવો.
• GetStatus() - પાયથોન બાજુ પર છેલ્લો અપવાદ મેળવો અને દૂર કરો.
• GetModuleInfo(module, .imported, .alias) - મોડ્યુલ ચલ અને આયાત સ્થિતિ મેળવો.
• GetFunctionInfo(function, .defined, .type, .docs, .signature, .arguments) - કાર્ય વિશે માહિતી મેળવો.

આંતરકાર્યક્ષમતા

તમે ટર્મિનલમાંથી પાયથોન ગેટવેને કેવી રીતે કૉલ કરવો તે શીખ્યા છો, હવે ચાલો ઉત્પાદનમાં તેનો ઉપયોગ શરૂ કરીએ. આ મોડમાં પાયથોન સાથે ક્રિયાપ્રતિક્રિયા કરવાનો આધાર છે isc.py.ens.Operation. તે અમને પરવાનગી આપે છે:

• પાયથોન કોડ ચલાવો
• Python સંદર્ભ સાચવો/રીસ્ટોર કરો
• Python માંથી ડેટા લોડ કરો અને મેળવો

મૂળભૂત રીતે, Pyhton ઑપરેશન એ રેપર ઓવર છે isc.py.Main. ઓપરેશન isc.py.ens.Operation InterSystems IRIS ઉત્પાદનોમાંથી Python પ્રક્રિયા સાથે ક્રિયાપ્રતિક્રિયા કરવાની મંજૂરી આપે છે. પાંચ વિનંતીઓ સમર્થિત છે:

• isc.py.msg.ExecutionRequest Python કોડ ચલાવવા માટે. પરત કરે છે isc.py.msg.ExecutionResponse એક્ઝેક્યુશન પરિણામ અને વિનંતી કરેલ ચલોની કિંમતો સાથે.
• isc.py.msg.StreamExecutionRequest Python કોડ ચલાવવા માટે. પરત કરે છે isc.py.msg.StreamExecutionResponse એક્ઝેક્યુશનનું પરિણામ અને વિનંતી કરેલ ચલોની કિંમતો. એનાલોગ isc.py.msg.ExecutionRequest, પરંતુ સ્ટ્રીંગ્સને બદલે સ્ટ્રીમ્સ સ્વીકારે છે અને પરત કરે છે.
• isc.py.msg.QueryRequest SQL ક્વેરી ચલાવવાના પરિણામને સ્થાનાંતરિત કરવા માટે. પરત કરે છે Ens.Response.
• isc.py.msg.GlobalRequest/isc.py.msg.ClassRequest/isc.py.msg.TableRequest વૈશ્વિક/વર્ગ/ટેબલ ડેટા પસાર કરવા માટે. પરત કરે છે Ens.Response.
• isc.py.msg.SaveRequest Python સંદર્ભ સાચવવા માટે. પરત કરે છે Ens.StringResponse સંદર્ભ ID સાથે.

• isc.py.msg.RestoreRequest Python સંદર્ભ પુનઃસ્થાપિત કરવા માટે.

  વધુમાં, isc.py.ens.Operation બે સેટિંગ્સ છે:

  • Initializer - ઇન્ટરફેસને અમલમાં મૂકતો વર્ગ પસંદ કરવો isc.py.init.Abstract. તેનો ઉપયોગ ફંક્શન્સ, મોડ્યુલો, વર્ગો અને તેના જેવા લોડ કરવા માટે થઈ શકે છે. જ્યારે પ્રક્રિયા શરૂ થાય ત્યારે તે એકવાર ચલાવવામાં આવે છે.
  • PythonLib - (ફક્ત લિનક્સ) જો તમને બુટ ભૂલો દેખાય, તો તેનું મૂલ્ય સેટ કરો libpython3.6m.so અથવા પાયથોન લાઇબ્રેરીના સંપૂર્ણ પાથમાં પણ.

વ્યવસાયિક પ્રક્રિયાઓની રચના

ત્યાં બે વર્ગો ઉપલબ્ધ છે જે વ્યવસાય પ્રક્રિયાઓના વિકાસને સરળ બનાવે છે:

• isc.py.ens.ProcessUtils તમને વેરિયેબલ અવેજી સાથે પ્રવૃત્તિઓમાંથી ટીકા કાઢવાની મંજૂરી આપે છે.
• isc.py.util.BPEmulator Python સાથે વ્યવસાયિક પ્રક્રિયાઓનું પરીક્ષણ કરવાનું સરળ બનાવે છે. તે વર્તમાન પ્રક્રિયામાં વ્યવસાય પ્રક્રિયા (પાયથોન ભાગો) ચલાવી શકે છે.

વેરિયેબલ અવેજી

તમામ વ્યવસાયિક પ્રક્રિયાઓ વારસામાં મળી છે isc.py.ens.ProcessUtilsપદ્ધતિનો ઉપયોગ કરી શકે છે GetAnnotation(name) તેના નામ દ્વારા પ્રવૃત્તિ ટીકાનું મૂલ્ય મેળવવા માટે. એક્ટિવિટી એનોટેશનમાં એવા વેરિયેબલ્સ હોઈ શકે છે જેનું મૂલ્યાંકન પાયથોન પર મોકલતા પહેલા ઇન્ટરસિસ્ટમ IRIS બાજુ પર કરવામાં આવશે. ચલ અવેજી માટે અહીં સિન્ટેક્સ છે:

• ${class:method:arg1:...:argN} - પદ્ધતિ કૉલ
• #{expr} - ઑબ્જેક્ટસ્ક્રિપ્ટ ભાષામાં કોડ ચલાવો.

પરીક્ષણ વ્યવસાય પ્રક્રિયામાં એક ઉદાહરણ ઉપલબ્ધ છે isc.py.test.Process, ઉદાહરણ તરીકે, પ્રવૃત્તિમાં Correlation Matrix: Graph: f.savefig(r'#{process.WorkDirectory}SHOWCASE${%PopulateUtils:Integer:1:100}.png'). આ ઉદાહરણમાં:

• #{process.WorkDirectory} ઑબ્જેક્ટની વર્કડિરેક્ટરી પ્રોપર્ટી પરત કરે છે process, જે વર્ગનું ઉદાહરણ છે isc.py.test.Process તે વર્તમાન વ્યવસાય પ્રક્રિયા.
• ${%PopulateUtils:Integer:1:100} એક પદ્ધતિ કહે છે Integer વર્ગ %PopulateUtils, દલીલો પસાર 1 и 100, શ્રેણીમાં રેન્ડમ પૂર્ણાંક પરત કરી રહ્યા છીએ 1...100.

પરીક્ષણ વ્યવસાય પ્રક્રિયા

પરીક્ષણ ઉત્પાદન અને પરીક્ષણ વ્યવસાય પ્રક્રિયા પાયથોન ગેટવેના ભાગ રૂપે મૂળભૂત રીતે ઉપલબ્ધ છે. તેમને વાપરવા માટે:

1. OS ટર્મિનલ રનમાં: pip install pandas matplotlib seaborn.
2. InterSystems IRIS ટર્મિનલમાં, ચલાવો: do ##class(isc.py.test.CannibalizationData).Import() ટેસ્ટ ડેટા તૈયાર કરવા.
3. ઉત્પાદનો લોંચ કરો isc.py.test.Production.
4. વિનંતીનો પ્રકાર મોકલો Ens.Request в isc.py.test.Process.

ચાલો જોઈએ કે તે બધું એકસાથે કેવી રીતે કાર્ય કરે છે. ખુલ્લા isc.py.test.Process BPL એડિટરમાં:

કોડ એક્ઝેક્યુશન

સૌથી મહત્વપૂર્ણ કૉલ પાયથોન કોડનો અમલ છે:

ઉપયોગની વિનંતી isc.py.msg.ExecutionRequest, અહીં તેના ગુણધર્મો છે:

• Code - પાયથોન કોડ.
• SeparateLines - એક્ઝેક્યુશન માટે કોડને લીટીઓમાં વિભાજિત કરવો કે કેમ. $c(10) (n) શબ્દમાળાઓને અલગ કરવા માટે વપરાય છે. નોંધ કરો કે સમગ્ર સંદેશને એકસાથે પ્રક્રિયા કરવાની ભલામણ કરવામાં આવતી નથી, આ કાર્ય માત્ર પ્રક્રિયા માટે છે def અને સમાન મલ્ટિલાઇન એક્સપ્રેશન્સ. ડિફૉલ્ટ 0.
• Variables એ ચલોની અલ્પવિરામથી અલગ કરેલી યાદી છે જે પ્રતિસાદમાં ઉમેરવામાં આવશે.
• Serialization - આપણે જે વેરીએબલ્સ પરત કરવા માંગીએ છીએ તેને કેવી રીતે સીરીયલાઇઝ કરવું. વિકલ્પો: Str, Repr, JSON, Pickle и Dill, મૂળભૂત Str.

અમારા કિસ્સામાં, અમે ફક્ત મિલકત સેટ કરીએ છીએ Code, જેથી અન્ય તમામ પ્રોપર્ટીઝ તેમના ડિફોલ્ટ મૂલ્યોનો ઉપયોગ કરે છે. અમે તેને ફોન કરીને સેટ કર્યો process.GetAnnotation("Import pandas"), જે વેરિયેબલ અવેજી કરવામાં આવ્યા પછી રનટાઇમ પર એનોટેશન પરત કરે છે. છેલ્લે કોડ import pandas as pd Python ને પસાર કરવામાં આવશે. GetAnnotation મલ્ટિ-લાઇન પાયથોન સ્ક્રિપ્ટો મેળવવા માટે ઉપયોગી થઈ શકે છે, પરંતુ કોડ મેળવવાની આ રીત પર કોઈ નિયંત્રણો નથી. તમે મિલકત સેટ કરી શકો છો Code તમારા માટે કોઈપણ રીતે અનુકૂળ.

ચલો મેળવવી

ઉપયોગ કરીને અન્ય રસપ્રદ પડકાર isc.py.msg.ExecutionRequest - Correlation Matrix: Tabular:

તે પાયથોન બાજુ પર સહસંબંધ મેટ્રિક્સની ગણતરી કરે છે અને ચલને બહાર કાઢે છે corrmat વિનંતી ગુણધર્મો સેટ કરીને JSON ફોર્મેટમાં InterSystems IRIS પર પાછા જાઓ:

• Variables: "corrmat"
• Serialization: "JSON"

અમે વિઝ્યુઅલ ટ્રેસમાં પરિણામો જોઈ શકીએ છીએ:

અને જો આપણને BP માં આ મૂલ્યની જરૂર હોય, તો તે આ રીતે મેળવી શકાય છે: callresponse.Variables.GetAt("corrmat").

ડેટા ટ્રાન્સફર

આગળ, ચાલો InterSystems IRIS થી Python માં ડેટા ટ્રાન્સફર કરવા વિશે વાત કરીએ, બધી ડેટા ટ્રાન્સફર વિનંતીઓ ઇન્ટરફેસને અમલમાં મૂકે છે isc.py.msg.DataRequest, જે નીચેના ગુણધર્મો પ્રદાન કરે છે:

• Variable પાયથોન વેરીએબલ છે જેના પર ડેટા લખવામાં આવે છે.
• Type - ચલ પ્રકાર: dataframe (પાંડા ડેટાફ્રેમ) અથવા list.
• Namespace - તે વિસ્તાર કે જ્યાંથી અમે ડેટા પ્રાપ્ત કરીએ છીએ. પ્લાસ્ટિકની થેલી isc.py આ વિસ્તારમાં ઉપલબ્ધ હોવું જોઈએ. આ ઉત્પાદન સપોર્ટ વિનાનો વિસ્તાર હોઈ શકે છે.

આ ઇન્ટરફેસના આધારે, વિનંતીઓના 4 વર્ગો અમલમાં મૂકવામાં આવ્યા છે:

• isc.py.msg.QueryRequest - મિલકત સેટ કરો Query SQL ક્વેરી મોકલવા માટે.
• isc.py.msg.ClassRequest - મિલકત સેટ કરો Class વર્ગ ડેટા પસાર કરવા માટે.
• isc.py.msg.TableRequest - મિલકત સેટ કરો Table કોષ્ટક ડેટા પસાર કરવા માટે.
• isc.py.msg.GlobalRequest - મિલકત સેટ કરો Global વૈશ્વિક સ્તરે ડેટા ટ્રાન્સફર કરવા માટે.

પરીક્ષણ પ્રક્રિયામાં, પ્રવૃત્તિ જુઓ RAWજ્યાં isc.py.msg.QueryRequest ક્રિયામાં દર્શાવવામાં આવ્યું છે.

પાયથોન સંદર્ભ સાચવી/પુનઃસ્થાપિત કરી રહ્યા છીએ

છેલ્લે, અમે પાયથોન સંદર્ભને InterSystems IRIS માં સંગ્રહિત કરી શકીએ છીએ, આ કરવા માટે, મોકલો isc.py.msg.SaveRequest દલીલો સાથે:

• Mask — માસ્કને સંતોષતા વેરીએબલ્સ જ સાચવવામાં આવે છે. આધારભૂત * и ?. ઉદાહરણ: "Data*, Figure?"... ડિફૉલ્ટ *.
• MaxLength - સંગ્રહિત ચલની મહત્તમ લંબાઈ. જો ચલનું સીરીયલાઇઝેશન લાંબુ હોય, તો તેને અવગણવામાં આવશે. કોઈપણ લંબાઈના ચલો મેળવવા માટે 0 પર સેટ કરો. ડિફૉલ્ટ $$$MaxStringLength.
• Name - સંદર્ભ નામ (વૈકલ્પિક).
• Description - સંદર્ભનું વર્ણન (વૈકલ્પિક).

વળતર આપે છે Ens.StringResponse с Id સાચવેલ સંદર્ભ. પરીક્ષણ પ્રક્રિયામાં, પ્રવૃત્તિ જુઓ Save Context.

સંબંધિત વિનંતી isc.py.msg.RestoreRequest InterSystems IRIS માંથી Python માં સંદર્ભ લોડ કરે છે:

• ContextId સંદર્ભ ઓળખકર્તા છે.
• Clear - પુનઃસ્થાપિત કરતા પહેલા સંદર્ભ સાફ કરો.

જ્યુપીટર નોટબુક

જ્યુપીટર નોટબુક એક ઓપન સોર્સ વેબ એપ્લિકેશન છે જે તમને કોડ, વિઝ્યુલાઇઝેશન અને ટેક્સ્ટ ધરાવતી નોટબુક બનાવવા અને પ્રકાશિત કરવાની મંજૂરી આપે છે. પાયથોન ગેટવે તમને જ્યુપીટર નોટબુક તરીકે BPL પ્રક્રિયાઓને જોવા અને સંપાદિત કરવાની મંજૂરી આપે છે. નોંધ કરો કે નિયમિત પાયથોન 3 એક્ઝિક્યુટર હાલમાં ઉપયોગમાં લેવાય છે.

આ એક્સ્ટેંશન ધારે છે કે ટીકાઓમાં પાયથોન કોડ હોય છે અને અગાઉના શીર્ષકો તરીકે પ્રવૃત્તિ નામોનો ઉપયોગ કરે છે. હવે Jupyter Notebook માં PythonGateway બિઝનેસ પ્રક્રિયાઓ વિકસાવવી શક્ય છે. અહીં શું શક્ય છે તે છે:

• નવી વ્યવસાયિક પ્રક્રિયાઓ બનાવો
• વ્યવસાય પ્રક્રિયાઓ કાઢી નાખો
• નવી પ્રવૃત્તિઓ બનાવો
• પ્રવૃત્તિઓ બદલો
• પ્રવૃત્તિઓ કાઢી નાખો

અહીં ડેમો વિડિઓ. અને કેટલાક સ્ક્રીનશોટ:

પ્રોસેસ એક્સપ્લોરર

પ્રક્રિયા સંપાદક

સ્થાપન

1. તમારે InterSystems IRIS 2019.2+ ની જરૂર પડશે.
2. PythonGateway v0.8+ ઇન્સ્ટોલ કરો (માત્ર જરૂરી છે isc.py.util.Jupyter, isc.py.util.JupyterCheckpoints и isc.py.ens.ProcessUtils).
3. રીપોઝીટરીમાંથી ઓબ્જેક્ટસ્ક્રિપ્ટ કોડ અપડેટ કરો.
4. ચલાવો do ##class(isc.py.util.Jupyter).Install() અને પ્રોમ્પ્ટ્સને અનુસરો.

Документация.

તારણો

MLToolkit એ ટૂલ્સનો સમૂહ છે જેનો હેતુ મૉડલ અને વ્યવહારિક વાતાવરણને જોડવાનો છે જેથી બિલ્ટ મૉડલ્સનો તમારા વ્યવસાયિક પ્રક્રિયાઓમાં સીધો ઉપયોગ કરી શકાય. Python Gateway MLToolkit નો ભાગ છે અને Python ભાષા સાથે એકીકરણ પ્રદાન કરે છે, જે તમને Python (ઘણા ડેટા વૈજ્ઞાનિકો માટેનું મુખ્ય વાતાવરણ) માં બનાવેલ કોઈપણ મશીન લર્નિંગ અલ્ગોરિધમ્સને ઓર્કેસ્ટ્રેટ કરવાની મંજૂરી આપે છે, ઝડપથી અનુકૂલનશીલ, રોબોટિક વિશ્લેષણાત્મક AI / બનાવવા માટે અસંખ્ય તૈયાર પુસ્તકાલયોનો ઉપયોગ કરે છે. ઇન્ટરસિસ્ટમ પ્લેટફોર્મ IRIS પર ML સોલ્યુશન્સ.

સંદર્ભો

• અગાઉનો લેખ
• પાયથોન ગેટવે
• પાયથોન ગેટવે નમૂનાઓ
• કન્વર્જન્ટ એનાલિટિક્સ
• Python 3.6.7 64bit
• પાયથોન દસ્તાવેજીકરણ અને અભ્યાસક્રમો

MLToolkit

MLToolkit વપરાશકર્તા જૂથ એ એક ખાનગી GitHub રિપોઝીટરી છે જે InterSystems કોર્પોરેટ GitHub સંસ્થાના ભાગ રૂપે બનાવેલ છે. તે બાહ્ય વપરાશકર્તાઓને સંબોધવામાં આવે છે જેઓ પાયથોન ગેટવે સહિત MLToolkit ઘટકોને ઇન્સ્ટોલ, શીખી અથવા પહેલેથી જ ઉપયોગ કરી રહ્યાં છે. ગ્રૂપ પાસે માર્કેટિંગ, ઉત્પાદન, દવા અને અન્ય ઘણા ઉદ્યોગોના ક્ષેત્રોમાં (સોર્સ કોડ અને ટેસ્ટ ડેટા સાથે) સંખ્યાબંધ અમલી કેસ છે. ML Toolkit વપરાશકર્તા જૂથમાં જોડાવા માટે, કૃપા કરીને નીચેના સરનામે ટૂંકો ઈમેલ મોકલો: [ઇમેઇલ સુરક્ષિત] અને તમારા પત્રમાં નીચેની માહિતી શામેલ કરો:

• GitHub વપરાશકર્તા નામ
• સંસ્થા (તમે કામ કરો છો અથવા અભ્યાસ કરો છો)
• સ્થિતિ (તમારી સંસ્થામાં તમારી વાસ્તવિક સ્થિતિ, ક્યાં તો "વિદ્યાર્થી" અથવા "સ્વતંત્ર").
• દેશ

આર્ટિફિશિયલ ઇન્ટેલિજન્સ અને મશીન લર્નિંગ મિકેનિઝમ્સ વિકસાવવા અથવા હોસ્ટ કરવા માટેના પ્લેટફોર્મ તરીકે જેઓએ લેખ વાંચ્યો છે અને ઇન્ટરસિસ્ટમ્સ IRIS માં રસ ધરાવે છે, અમે તમને તમારા એન્ટરપ્રાઇઝમાં રસ ધરાવતા સંભવિત દૃશ્યોની ચર્ચા કરવા આમંત્રિત કરીએ છીએ. અમે તમારા એન્ટરપ્રાઇઝની જરૂરિયાતોનું સહેલાઈથી વિશ્લેષણ કરીશું અને સંયુક્ત રીતે કાર્ય યોજના નક્કી કરીશું; અમારા AI/ML નિષ્ણાત જૂથના ઇમેઇલ સરનામાંનો સંપર્ક કરો - [ઇમેઇલ સુરક્ષિત].

સોર્સ: www.habr.com