हा लेख पायथन गेटवे बद्दल आहे, इंटरसिस्टम्स IRIS डेटा प्लॅटफॉर्मसाठी एक मुक्त स्रोत समुदाय प्रकल्प. हा प्रकल्प तुम्हाला पायथन (अनेक डेटा वैज्ञानिकांसाठी मुख्य वातावरण) मध्ये तयार केलेले कोणतेही मशीन लर्निंग अल्गोरिदम ऑर्केस्ट्रेट करण्यास, इंटरसिस्टम्स IRIS प्लॅटफॉर्मवर त्वरीत अनुकूली, रोबोटिक विश्लेषणात्मक AI/ML सोल्यूशन्स तयार करण्यासाठी असंख्य रेडीमेड लायब्ररी वापरण्याची परवानगी देतो. या लेखात, मी इंटरसिस्टम्स आयआरआयएस पायथॉनमध्ये प्रक्रिया कशी मांडू शकते, द्वि-मार्गी डेटा कार्यक्षमतेने संप्रेषण करू शकते आणि बुद्धिमान व्यवसाय प्रक्रिया कशी तयार करू शकते हे दर्शवेल.

योजना

1. परिचय
2. साधने.
3. स्थापना.
4. API
5. इंटरऑपरेबिलिटी.
6. ज्युपिटर नोटबुक.
7. निष्कर्ष.
8. दुवे.
9. MLToolkit.

परिचय

Python ही उच्च-स्तरीय, सामान्य-उद्देश प्रोग्रामिंग भाषा आहे ज्याचा उद्देश विकसक उत्पादकता आणि कोड वाचनीयता सुधारणे आहे. लेखांच्या या मालिकेत, मी इंटरसिस्टम्स IRIS प्लॅटफॉर्मवर पायथन वापरण्याच्या शक्यतांवर चर्चा करेन, या लेखाचा मुख्य फोकस मशीन लर्निंग मॉडेल्स तयार करण्यासाठी आणि चालविण्यासाठी भाषा म्हणून पायथनचा वापर आहे.

मशीन लर्निंग (एमएल) हा कृत्रिम बुद्धिमत्ता पद्धतींचा एक वर्ग आहे, ज्याचे वैशिष्ट्य म्हणजे एखाद्या समस्येचे थेट निराकरण नाही, तर अनेक समान समस्यांचे निराकरण करण्याच्या प्रक्रियेत शिकणे.

मशीन लर्निंग अल्गोरिदम आणि मॉडेल्स अधिक सामान्य होत आहेत. याची अनेक कारणे आहेत, परंतु हे सर्व प्रवेशयोग्यता, साधेपणा आणि व्यावहारिक परिणाम साध्य करण्यासाठी खाली येते. क्लस्टरिंग किंवा अगदी न्यूरल नेटवर्क मॉडेलिंग हे नवीन तंत्रज्ञान आहे का?

नक्कीच नाही, परंतु आजकाल एकच मॉडेल चालविण्यासाठी शेकडो हजारो ओळी कोड लिहिण्याची आवश्यकता नाही आणि मॉडेल तयार करणे आणि वापरणे कमी होत आहे.

साधने विकसित होत आहेत - आमच्याकडे पूर्णपणे GUI-केंद्रित AI/ML साधने नसताना, BI (कोड लिहिण्यापासून ते फ्रेमवर्क आणि GUI-केंद्रित कॉन्फिगर करण्यायोग्य सोल्यूशन्स वापरण्यापर्यंत) माहिती प्रणालीच्या इतर अनेक वर्गांमध्ये आम्ही पाहिलेली प्रगती आहे. AI/ML तयार करण्याच्या साधनांमध्ये देखील निरीक्षण केले आहे. आम्ही कोड लिहिण्याचा टप्पा आधीच पार केला आहे आणि आज आम्ही मॉडेल तयार करण्यासाठी आणि प्रशिक्षित करण्यासाठी फ्रेमवर्क वापरतो.

इतर सुधारणा, जसे की पूर्व-प्रशिक्षित मॉडेलचे वितरण करण्याची क्षमता जिथे अंतिम वापरकर्त्याला त्यांच्या विशिष्ट डेटावर मॉडेलचे प्रशिक्षण पूर्ण करावे लागते, ते देखील मशीन लर्निंगसह प्रारंभ करणे सोपे करतात. या प्रगतीमुळे व्यावसायिकांसाठी आणि सर्वसाधारणपणे कंपन्यांसाठी मशीन लर्निंग खूप सोपे होते.

दुसरीकडे, आम्ही अधिकाधिक डेटा गोळा करत आहोत. इंटरसिस्टम्स IRIS सारख्या युनिफाइड डेटा प्लॅटफॉर्मसह, ही सर्व माहिती त्वरित तयार केली जाऊ शकते आणि मशीन लर्निंग मॉडेल्समध्ये इनपुट म्हणून वापरली जाऊ शकते.

क्लाउडवर गेल्याने, AI/ML प्रोजेक्ट लाँच करणे पूर्वीपेक्षा सोपे होत आहे. आम्ही फक्त आवश्यक संसाधने वापरू शकतो. शिवाय, क्लाउड प्लॅटफॉर्मद्वारे ऑफर केलेल्या समांतरतेबद्दल धन्यवाद, आम्ही घालवलेला वेळ वाचवू शकतो.

पण परिणामांचे काय? इथेच गोष्टी अधिक क्लिष्ट होतात. मॉडेल तयार करण्यासाठी अनेक साधने आहेत, ज्याची मी पुढे चर्चा करेन. चांगले मॉडेल तयार करणे सोपे नाही, पण पुढे काय? बिझनेस मॉडेल वापरून नफा मिळवणे हे देखील एक क्षुल्लक काम नाही. समस्येचे मूळ विश्लेषणात्मक आणि व्यवहारात्मक वर्कलोड आणि डेटा मॉडेल वेगळे करणे आहे. जेव्हा आम्ही एखादे मॉडेल प्रशिक्षित करतो, तेव्हा आम्ही ते सहसा ऐतिहासिक डेटावर करतो. परंतु तयार केलेल्या मॉडेलची जागा ट्रान्झॅक्शनल डेटा प्रोसेसिंगमध्ये आहे. आम्ही दिवसातून एकदा चालवल्यास सर्वोत्तम फसवे व्यवहार शोध मॉडेल काय चांगले आहे? घोटाळेबाज पैसे घेऊन निघून गेले आहेत. आम्हाला ऐतिहासिक डेटावर मॉडेलचे प्रशिक्षण देणे आवश्यक आहे, परंतु आम्हाला नवीन येणार्‍या डेटावर ते रिअल टाइममध्ये लागू करणे देखील आवश्यक आहे जेणेकरुन आमच्या व्यवसाय प्रक्रिया मॉडेलद्वारे केलेल्या अंदाजांवर कार्य करू शकतील.

ML टूलकिट हे टूल्सचा एक संच आहे ज्याचे उद्दिष्ट हेच आहे: मॉडेल्स आणि व्यवहाराचे वातावरण एकत्र करणे जेणेकरून बिल्ट मॉडेल्स थेट तुमच्या व्यवसाय प्रक्रियेत वापरता येतील. पायथन गेटवे हा एमएल टूलकिटचा भाग आहे आणि पायथन भाषेसह एकत्रीकरण प्रदान करतो (आर गेटवे, एमएल टूलकिटचा भाग असल्याने आर भाषेसह एकत्रीकरण कसे प्रदान करते त्याप्रमाणे).

टूलकिट

आम्ही पुढे सुरू ठेवण्यापूर्वी, मी काही Python टूल्स आणि लायब्ररींचे वर्णन करू इच्छितो जे आम्ही नंतर वापरू.

तंत्रज्ञान

• पायथन ही व्याख्या केलेली, उच्च-स्तरीय, सामान्य-उद्देशीय प्रोग्रामिंग भाषा आहे. भाषेचा मुख्य फायदा म्हणजे गणित, एमएल आणि एआय लायब्ररीची मोठी लायब्ररी. ऑब्जेक्टस्क्रिप्ट प्रमाणे, ही एक ऑब्जेक्ट-ओरिएंटेड भाषा आहे, परंतु प्रत्येक गोष्ट स्थिरपणे ऐवजी गतिमानपणे परिभाषित केली जाते. तसेच सर्व काही एक वस्तू आहे. नंतरच्या लेखांमध्ये भाषेची उत्तीर्ण होणारी ओळख आहे. आपण शिकण्यास प्रारंभ करू इच्छित असल्यास, मी यापासून प्रारंभ करण्याची शिफारस करतो दस्तऐवजीकरण.
• आमच्या पुढील व्यायामासाठी, सेट करा पायथन 3.6.7 64 बिट.
• IDE: मी वापरतो PyCharm, परंतु सर्वसाधारणपणे ते भरपूर. तुम्ही Atelier वापरत असल्यास, Python विकसकांसाठी एक Eclipse प्लगइन आहे. तुम्ही व्हीएस कोड वापरत असल्यास, पायथनसाठी एक विस्तार आहे.
• नोटबुक: IDE ऐवजी, तुम्ही ऑनलाइन नोटबुकमध्ये तुमच्या स्क्रिप्ट लिहू आणि शेअर करू शकता. त्यापैकी सर्वात लोकप्रिय आहे ज्युपिटर.

ग्रंथालये

मशिन लर्निंग लायब्ररींची (नॉन-एक्स्क्जिस्ट्रिव्ह) यादी येथे आहे:

• उबळ — अचूक गणनेसाठी मूलभूत पॅकेज.
• पांड्या — उच्च-कार्यक्षमता डेटा संरचना आणि डेटा विश्लेषण साधने.
• मॅटप्लोटलिब - आलेख तयार करणे.
• सीबॉर्न — मॅटप्लॉटलिबवर आधारित डेटा व्हिज्युअलायझेशन.
• स्क्लेर्न - मशीन शिक्षण पद्धती.
• XGBoost — ग्रेडियंट बूस्टिंग पद्धतीच्या चौकटीत मशीन लर्निंग अल्गोरिदम.
• जेन्सिम - एनएलपी.
• केरास - न्यूरल नेटवर्क.
• टेन्सरफ्लो — मशीन लर्निंग मॉडेल तयार करण्यासाठी एक व्यासपीठ.
• पाय टोर्च पायथनवर लक्ष केंद्रित केलेले मशीन लर्निंग मॉडेल तयार करण्यासाठी एक व्यासपीठ आहे.
• न्योका - विविध मॉडेल्समधील पीएमएमएल.

AI/ML तंत्रज्ञान व्यवसायाला अधिक कार्यक्षम आणि अनुकूल बनवते. शिवाय, आज या तंत्रज्ञानाचा विकास आणि अंमलबजावणी करणे सोपे होत आहे. AI/ML तंत्रज्ञान आणि ते तुमच्या संस्थेच्या वाढीस कशी मदत करू शकतात याबद्दल जाणून घेणे सुरू करा.

सेटिंग

पायथन गेटवे स्थापित आणि वापरण्याचे अनेक मार्ग आहेत:

• ओएस
  • विंडोज
  • linux
  • मॅक
• गोदी कामगार
  • डॉकरहब वरून प्रतिमा वापरा
  • आपला स्वतःचा देखावा तयार करा

इंस्टॉलेशन पद्धतीची पर्वा न करता, तुम्हाला स्त्रोत कोडची आवश्यकता असेल. कोड डाउनलोड करण्यासाठी एकमेव ठिकाण आहे प्रकाशन पृष्ठ. त्यात चाचणी केलेले स्थिर प्रकाशन आहेत, फक्त नवीनतम घ्या. याक्षणी ते 0.8 आहे, परंतु कालांतराने नवीन असतील. रेपॉजिटरी क्लोन/डाउनलोड करू नका, नवीनतम प्रकाशन डाउनलोड करा.

ओएस

जर तुम्ही ऑपरेटिंग सिस्टमवर पायथन गेटवे स्थापित करत असाल, तर प्रथम (ऑपरेटिंग सिस्टमची पर्वा न करता) तुम्हाला पायथन स्थापित करणे आवश्यक आहे. यासाठी:

1. पायथन 3.6.7 64 बिट स्थापित करा. डीफॉल्ट निर्देशिकेत पायथन स्थापित करण्याची शिफारस केली जाते.
2. मॉड्यूल स्थापित करा dill: pip install dill.
3. ऑब्जेक्टस्क्रिप्ट कोड डाउनलोड करा (उदा. do $system.OBJ.ImportDir("C:InterSystemsReposPythoniscpy", "*.cls", "c",,1)) उत्पादनांसह कोणत्याही क्षेत्रात. उत्पादनांना समर्थन देण्यासाठी तुम्हाला विद्यमान क्षेत्र हवे असल्यास, चालवा: write ##class(%EnsembleMgr).EnableNamespace($Namespace, 1).
4. ठिकाण कॉलआउट DLL/SO/DYLIB फोल्डरला bin तुमची InterSystems IRIS उदाहरण. लायब्ररी फाईल परत केलेल्या मार्गामध्ये उपलब्ध असणे आवश्यक आहे write ##class(isc.py.Callout).GetLib().

विंडोज

1. पर्यावरण परिवर्तनशील असल्याची खात्री करा PYTHONHOME Python 3.6.7 ला पॉइंट करते.
2. सिस्टम वातावरण व्हेरिएबल असल्याची खात्री करा PATH एक व्हेरिएबल समाविष्टीत आहे PYTHONHOME (किंवा निर्देशिकेकडे निर्देश करते).

लिनक्स (डेबियन/उबंटू)

1. पर्यावरण व्हेरिएबल आहे का ते तपासा PATH समाविष्टीत /usr/lib и /usr/lib/x86_64-linux-gnu. फाइल वापरा /etc/environment पर्यावरण व्हेरिएबल्स सेट करण्यासाठी.
2. त्रुटींच्या बाबतीत undefined symbol: _Py_TrueStruct सेटिंग सेट करा PythonLib. मध्ये देखील रीडमे एक समस्यानिवारण विभाग आहे.

मॅक

1. सध्या फक्त पायथन ३.६.७ समर्थित आहे पायथन.ऑर्ग. व्हेरिएबल तपासा PATH.

तुम्ही पर्यावरण व्हेरिएबल्स बदलल्यास, तुमचे InterSystems उत्पादन रीस्टार्ट करा.

गोदी कामगार

कंटेनर वापरण्याचे अनेक फायदे आहेत:

• पोर्टेबिलिटी
• परिणामकारकता
• इन्सुलेशन
• हलकेपणा
• अपरिवर्तनीयता

हे पहा लेखांची मालिका इंटरसिस्टम उत्पादनांसह डॉकर वापरण्याबद्दल अधिक माहितीसाठी.

सर्व पायथन गेटवे बिल्ड सध्या कंटेनर आधारित आहेत 2019.4.

तयार प्रतिमा

चालवा: docker run -d -p 52773:52773 --name irispy intersystemscommunity/irispy-community:latestइंटरसिस्टम्स आयआरआयएस कम्युनिटी एडिशनसह पायथन गेटवे डाउनलोड आणि चालवण्यासाठी. इतकंच.

आपला स्वतःचा देखावा तयार करा

डॉकर प्रतिमा तयार करण्यासाठी, भांडाराच्या रूटमध्ये चालवा: docker build --force-rm --tag intersystemscommunity/irispy:latest ..
डीफॉल्टनुसार, प्रतिमा प्रतिमेवर आधारित तयार केली जाते store/intersystems/iris-community:2019.4.0.383.0, तथापि तुम्ही व्हेरिएबल सेट करून हे बदलू शकता IMAGE.
InterSystems IRIS वरून तयार करण्यासाठी, चालवा: `docker build --build-arg IMAGE=store/intersystems/iris:2019.4.0.383.0 --force-rm --tag intersystemscommunity/irispy:latest ".

यानंतर आपण डॉकर प्रतिमा चालवू शकता:

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

जर तुम्ही InterSystems IRIS समुदाय संस्करणावर आधारित प्रतिमा वापरत असाल, तर तुम्ही की वगळू शकता.

टिप्पण्या

• चाचणी प्रक्रिया isc.py.test.Process तात्पुरत्या निर्देशिकेत अनेक प्रतिमा जतन करते. तुम्ही हा मार्ग आरोहित निर्देशिकेत बदलू शकता. हे करण्यासाठी, सेटिंग संपादित करा WorkingDir आरोहित निर्देशिका निर्दिष्ट करत आहे.
• टर्मिनल रनमध्ये प्रवेश करण्यासाठी: docker exec -it irispy sh.
• लॉगिन करून सिस्टम मॅनेजमेंट पोर्टलवर प्रवेश करा SuperUser/SYS.
• कंटेनर थांबविण्यासाठी, चालवा: docker stop irispy && docker rm --force irispy.

स्थापनेची पडताळणी करत आहे

एकदा आपण पायथन गेटवे स्थापित केल्यानंतर, ते कार्य करत आहे हे तपासण्यासारखे आहे. इंटरसिस्टम्स IRIS टर्मिनलमध्ये हा कोड कार्यान्वित करा:

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

परिणाम असा असावा: HELLO - पायथन व्हेरिएबल मूल्य x. परतीची स्थिती असल्यास sc एक त्रुटी आहे किंवा var रिक्त, तपासा रीडमी - समस्यानिवारण विभाग.

API

पायथन गेटवे स्थापित केला आहे आणि तो कार्य करतो हे तुम्ही सत्यापित केले आहे. ते वापरणे सुरू करण्याची वेळ आली आहे!
पायथनचा मुख्य इंटरफेस आहे isc.py.Main. हे पद्धतींचे खालील गट ऑफर करते (सर्व रिटर्न %Status):

• कोडची अंमलबजावणी
• डेटा ट्रान्सफर
• सहाय्यक

कोडची अंमलबजावणी

या पद्धती तुम्हाला अनियंत्रित पायथन कोड कार्यान्वित करण्याची परवानगी देतात.

SimpleString

SimpleString - ही मुख्य पद्धत आहे. यास 4 पर्यायी युक्तिवाद लागतात:

• code - कार्यान्वित करण्यासाठी कोडची ओळ. लाइन फीड वर्ण: $c(10).
• returnVariable - रिटर्नसाठी व्हेरिएबलचे नाव.
• serialization - क्रमवारी कशी लावायची returnVariable. 0 — स्ट्रिंग (डिफॉल्ट), 1 — पुनरावृत्ती.
• result — बायरेफ व्हेरिएबलचा संदर्भ ज्यामध्ये मूल्य लिहिले आहे returnVariable.

वर आम्ही केले:

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

या उदाहरणात, आम्ही पायथन व्हेरिएबलला नियुक्त करतो x अर्थ Hello आणि पायथन व्हेरिएबलचे मूल्य परत करायचे आहे x ऑब्जेक्टस्क्रिप्ट व्हेरिएबलवर var.

एक्झिक्युट कोड

ExecuteCode हा एक सुरक्षित आणि कमी प्रतिबंधात्मक पर्याय आहे SimpleString.
इंटरसिस्टम्स IRIS प्लॅटफॉर्ममधील रेषा 3 वर्णांपर्यंत मर्यादित आहेत आणि जर तुम्हाला कोडचा मोठा भाग कार्यान्वित करायचा असेल, तर तुम्हाला थ्रेड्स वापरावे लागतील.
दोन युक्तिवाद स्वीकारले जातात:

• code — पायथन कोडची एक ओळ किंवा प्रवाह अंमलात आणायचा आहे.
• variable — (पर्यायी) अंमलबजावणीचा परिणाम नियुक्त करते code हा Python व्हेरिएबल.

वापरण्यासाठी उदाहरण:

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

या उदाहरणात, आपण 2 चा 3 ने गुणाकार करतो आणि परिणाम पायथन व्हेरिएबलमध्ये लिहितो y.

डेटा ट्रान्सफर

Python ला आणि वरून डेटा पास करा.

पायथन -> इंटरसिस्टम्स IRIS

इंटरसिस्टम्स IRIS मध्ये पायथन व्हेरिएबलचे मूल्य मिळविण्याचे 4 मार्ग आहेत, तुम्हाला आवश्यक असलेल्या क्रमवारीनुसार:

• String साध्या डेटा प्रकार आणि डीबगिंगसाठी.
• Repr साध्या वस्तू साठवण्यासाठी आणि डीबगिंगसाठी.
• JSON इंटरसिस्टम्स IRIS बाजूला सुलभ डेटा हाताळणीसाठी.
• Pickle वस्तू जतन करण्यासाठी.

या पद्धती तुम्हाला पायथनमधून स्ट्रिंग किंवा स्ट्रीम म्हणून व्हेरिएबल्स पुनर्प्राप्त करण्याची परवानगी देतात.

• GetVariable(variable, serialization, .stream, useString) - मिळवा serialization चल variable в stream. जर useString 1 आहे आणि अनुक्रमणिका स्ट्रिंगवर ठेवली जाते, नंतर स्ट्रिंग परत केली जाते आणि प्रवाह नाही.
• GetVariableJson(variable, .stream, useString) — व्हेरिएबलचे JSON अनुक्रमांक मिळवा.
• GetVariablePickle(variable, .stream, useString, useDill) - एक व्हेरिएबलचे लोणचे (किंवा बडीशेप) अनुक्रमणिका मिळवा.

चला आपले व्हेरिएबल मिळवण्याचा प्रयत्न करूया y.

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

इंटरसिस्टम्स IRIS -> Python

InterSystems IRIS वरून Python मध्ये डेटा लोड करत आहे.

• ExecuteQuery(query, variable, type, namespace) - डेटासेट तयार करते (पंडा dataframe किंवा list) sql क्वेरीमधून आणि त्यास Python व्हेरिएबलवर सेट करते variable. प्लास्टिकची पिशवी isc.py परिसरात उपलब्ध असणे आवश्यक आहे namespace - विनंती तेथे कार्यान्वित केली जाईल.
• ExecuteGlobal(global, variable, type, start, end, mask, labels, namespace) - जागतिक डेटा लोड करते global सबस्क्रिप्ट पासून start ते end पायथनमध्ये टाइप व्हेरिएबल म्हणून type: list, किंवा पांडा dataframe. वैकल्पिक युक्तिवादांचे वर्णन mask आणि labels वर्ग दस्तऐवजीकरण आणि भांडारात उपलब्ध डेटा ट्रान्सफर डॉक्स.
• ExecuteClass(class, variable, type, start, end, properties, namespace) - वर्ग डेटा लोड करते class आयडी वरून start ते end पायथनमध्ये टाइप व्हेरिएबल म्हणून type: list, किंवा पांडा dataframe. properties — वर्ग गुणधर्मांची सूची (स्वल्पविरामाने विभक्त केलेली) जी डेटा सेटमध्ये लोड करणे आवश्यक आहे. मुखवटे समर्थित * и ?. डीफॉल्ट - * (सर्व गुणधर्म). मालमत्ता %%CLASSNAME दुर्लक्ष केले.
• ExecuteTable(table, variable, type, start, end, properties, namespace) - टेबल डेटा लोड करते table आयडी वरून start ते end Python मध्ये.

ExecuteQuery — युनिव्हर्सल (कोणतीही योग्य SQL क्वेरी Python ला पास केली जाईल). तथापि, ExecuteGlobal आणि त्याचे आवरण ExecuteClass и ExecuteTable अनेक निर्बंधांसह कार्य करा. ते खूप वेगवान आहेत (ODBC ड्रायव्हरपेक्षा 3-5 पट वेगवान आणि 20 पट वेगवान ExecuteQuery). येथे अधिक माहिती डेटा ट्रान्सफर डॉक्स.
या सर्व पद्धती कोणत्याही क्षेत्रातून डेटा हस्तांतरणास समर्थन देतात. प्लास्टिकची पिशवी isc.py लक्ष्य क्षेत्रात उपलब्ध असणे आवश्यक आहे.

ExecuteQuery

ExecuteQuery(request, variable, type, namespace) - कोणत्याही योग्य SQL क्वेरीचे परिणाम पायथनमध्ये हस्तांतरित करणे. ही सर्वात धीमी डेटा ट्रान्सफर पद्धत आहे. असल्यास वापरा ExecuteGlobal आणि त्याचे रॅपर उपलब्ध नाहीत.

युक्तिवाद:

• query - sql क्वेरी.
• variable — Python व्हेरिएबलचे नाव ज्यामध्ये डेटा लिहिला जातो.
• type - list किंवा पांडा dataframe.
• namespace — ज्या भागात विनंती अंमलात आणली जाईल.

एक्झिक्युट ग्लोबल

ExecuteGlobal(global, variable, type, start, end, mask, labelels, namespace) - पायथनमध्ये जागतिक उत्तीर्ण होणे.

युक्तिवाद:

• global - जागतिक नावाशिवाय ^
• variable — Python व्हेरिएबलचे नाव ज्यामध्ये डेटा लिहिला जातो.
• type - list किंवा पांडा dataframe.
• start — जागतिक स्तरावरील पहिली सबस्क्रिप्ट. अपरिहार्यपणे %Integer.
• end — जागतिक स्तरावरील शेवटची सबस्क्रिप्ट. अपरिहार्यपणे %Integer.
• mask - जागतिक मूल्य मुखवटा. मुखवटा जागतिक फील्डच्या संख्येपेक्षा लहान असू शकतो (अशा परिस्थितीत शेवटी फील्ड वगळले जातील). मास्कचे स्वरूपन कसे करावे:
  • + आहे तसे मूल्य पास करा.
  • - मूल्य वगळा.
  • b - बुलियन प्रकार (0 - False, बाकी सर्व - True).
  • d — तारीख ($horolog वरून, Windows वर 1970 पासून, Linux वर 1900 पासून).
  • t — वेळ ($होरोलॉग, मध्यरात्रीनंतरचे सेकंद).
  • m — टाइमस्टॅम्प (वर्ष-महिना-दिवस तास: मिनिट:सेकंड स्ट्रिंगचे स्वरूप).
• labels — % स्तंभ नावांची यादी. पहिला घटक म्हणजे सबस्क्रिप्टचे नाव.
• namespace — ज्या भागात विनंती अंमलात आणली जाईल.

ExecuteClass

वर गुंडाळणे ExecuteGlobal. वर्ग व्याख्येवर आधारित, कॉल तयार करते ExecuteGlobal आणि त्याला कॉल करतो.

ExecuteClass(class, variable, type, start, end, properties, namespace) - पायथनमध्ये वर्ग डेटा पास करणे.

युक्तिवाद:

• class - वर्गाचे नाव
• variable — Python व्हेरिएबलचे नाव ज्यामध्ये डेटा लिहिला जातो.
• type - list किंवा पांडा dataframe.
• start - प्रारंभ आयडी.
• end - अंतिम आयडी
• properties — वर्ग गुणधर्मांची सूची (स्वल्पविरामाने विभक्त केलेली) जी डेटा सेटमध्ये लोड करणे आवश्यक आहे. मुखवटे समर्थित * и ?. डीफॉल्ट - * (सर्व गुणधर्म). मालमत्ता %%CLASSNAME दुर्लक्ष केले.
• namespace — ज्या भागात विनंती अंमलात आणली जाईल.

प्रकार गुणधर्म वगळता सर्व गुणधर्म जसे आहे तसे पास केले जातात %Date, %Time, %Boolean и %TimeStamp - ते संबंधित Python वर्गांमध्ये रूपांतरित केले जातात.

एक्झिक्युट टेबल

वर गुंडाळणे ExecuteClass. टेबलचे नाव वर्गाच्या नावात आणि कॉलमध्ये भाषांतरित करते ExecuteClass. स्वाक्षरी:

ExecuteTable(table, variable, type, start, end, properties, namespace) - पायथनला टेबल डेटा पास करणे.

युक्तिवाद:

• table - टेबल नाव.
  इतर सर्व युक्तिवाद जसे आहे तसे पास केले जातात ExecuteClass.

नोट्स

• ExecuteGlobal, ExecuteClass и ExecuteTable तितक्याच वेगाने काम करा.
• ExecuteGlobal पेक्षा 20 पट वेगवान ExecuteQuery मोठ्या डेटा सेटवर (हस्तांतरण वेळ>0.01 सेकंद).
• ExecuteGlobal, ExecuteClass и ExecuteTable या संरचनेसह जागतिक स्तरावर कार्य करा: ^global(key) = $lb(prop1, prop2, ..., propN) जेथे key - पूर्णांक.
• करण्यासाठी ExecuteGlobal, ExecuteClass и ExecuteTable मूल्यांची समर्थित श्रेणी %Date श्रेणीशी संबंधित आहे mktime आणि OS वर अवलंबून आहे (विंडो: ८५-६१-९०, linux 1900-01-01, मॅक). वापरा %TimeStampया श्रेणीबाहेर डेटा हस्तांतरित करण्यासाठी किंवा पांडा डेटाफ्रेम वापरण्यासाठी कारण ही केवळ सूची मर्यादा आहे.
• करण्यासाठी ExecuteGlobal, ExecuteClass и ExecuteTable डेटा स्रोत (ग्लोबल, क्लास किंवा टेबल) आणि व्हेरिएबल वगळता सर्व वितर्क ऐच्छिक आहेत.

उदाहरणे

चाचणी वर्ग isc.py.test.व्यक्ती सर्व डेटा ट्रान्सफर पर्याय प्रदर्शित करणारी पद्धत आहे:

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)

पद्धत कॉल करा do ##class(isc.py.test.Person).Test() सर्व डेटा ट्रान्सफर पद्धती कशा कार्य करतात हे पाहण्यासाठी.

मदतनीस पद्धती

• GetVariableInfo(variable, serialization, .defined, .type, .length) — व्हेरिएबलबद्दल माहिती मिळवा: ते परिभाषित केले आहे की नाही, त्याचा वर्ग आणि अनुक्रमिक लांबी.
• GetVariableDefined(variable, .defined) — व्हेरिएबल परिभाषित केले आहे की नाही.
• GetVariableType(variable, .type) - व्हेरिएबलचा वर्ग मिळवा.
• GetStatus() - पायथन बाजूला शेवटचा अपवाद मिळवा आणि काढा.
• GetModuleInfo(module, .imported, .alias) - मॉड्यूल व्हेरिएबल आणि आयात स्थिती मिळवा.
• GetFunctionInfo(function, .defined, .type, .docs, .signature, .arguments) - फंक्शनबद्दल माहिती मिळवा.

इंटरऑपरेबिलिटी

टर्मिनलवरून पायथन गेटवे कसा कॉल करायचा ते तुम्ही शिकलात, आता उत्पादनात त्याचा वापर सुरू करूया. या मोडमध्ये पायथनशी संवाद साधण्याचा आधार आहे isc.py.ens.Operation. हे आम्हाला अनुमती देते:

• Python मध्ये कोड कार्यान्वित करा
• Python संदर्भ सेव्ह/रिस्टोअर करा
• Python वरून डेटा लोड करा आणि प्राप्त करा

मुळात, पायथन ऑपरेशन म्हणजे रॅपर ओव्हर isc.py.Main. ऑपरेशन isc.py.ens.Operation InterSystems IRIS उत्पादनांमधून पायथन प्रक्रियेशी संवाद साधण्याची क्षमता प्रदान करते. पाच प्रश्न समर्थित आहेत:

• isc.py.msg.ExecutionRequest पायथन कोड कार्यान्वित करण्यासाठी. परतावा isc.py.msg.ExecutionResponse अंमलबजावणी परिणाम आणि विनंती केलेल्या व्हेरिएबल्सच्या मूल्यांसह.
• isc.py.msg.StreamExecutionRequest पायथन कोड कार्यान्वित करण्यासाठी. परतावा isc.py.msg.StreamExecutionResponse अंमलबजावणीचा परिणाम आणि विनंती केलेल्या व्हेरिएबल्सची मूल्ये. अॅनालॉग isc.py.msg.ExecutionRequest, परंतु स्ट्रिंग्सऐवजी प्रवाह स्वीकारते आणि परत करते.
• isc.py.msg.QueryRequest SQL क्वेरी कार्यान्वित केल्याचे परिणाम प्रसारित करण्यासाठी. परतावा Ens.Response.
• isc.py.msg.GlobalRequest/isc.py.msg.ClassRequest/isc.py.msg.TableRequest ग्लोबल/क्लास/टेबल डेटा पास करण्यासाठी. परतावा Ens.Response.
• isc.py.msg.SaveRequest पायथन संदर्भ जतन करण्यासाठी. परतावा Ens.StringResponse संदर्भ आयडी सह.

• isc.py.msg.RestoreRequest पायथन संदर्भ पुनर्संचयित करण्यासाठी.

  शिवाय, isc.py.ens.Operation दोन सेटिंग्ज आहेत:

  • Initializer - इंटरफेस लागू करणारा वर्ग निवडणे isc.py.init.Abstract. फंक्शन्स, मॉड्यूल्स, क्लासेस इत्यादी लोड करण्यासाठी याचा वापर केला जाऊ शकतो. प्रक्रिया सुरू झाल्यावर ती एकदाच अंमलात आणली जाते.
  • PythonLib - (फक्त लिनक्स) लोड करताना तुम्हाला त्रुटी दिसल्यास, त्याचे मूल्य सेट करा libpython3.6m.so किंवा अगदी पायथन लायब्ररीच्या पूर्ण मार्गावर.

व्यवसाय प्रक्रियेची निर्मिती

व्यवसाय प्रक्रियेच्या विकासास सुलभ करणारे दोन वर्ग उपलब्ध आहेत:

• isc.py.ens.ProcessUtils व्हेरिएबल प्रतिस्थापनासह क्रियाकलापांमधून भाष्य काढण्याची परवानगी देते.
• isc.py.util.BPEmulator Python सह व्यवसाय प्रक्रिया तपासणे सोपे करते. हे सध्याच्या प्रक्रियेत व्यवसाय प्रक्रिया (पायथन भाग) कार्यान्वित करू शकते.

व्हेरिएबल प्रतिस्थापन

सर्व व्यवसाय प्रक्रिया वारशाने मिळालेल्या आहेत isc.py.ens.ProcessUtils, पद्धत वापरू शकता GetAnnotation(name) त्याच्या नावाने क्रियाकलाप भाष्य मूल्य प्राप्त करण्यासाठी. अ‍ॅक्टिव्हिटी एनोटेशनमध्ये व्हेरिएबल्स असू शकतात ज्यांची गणना पायथॉनकडे जाण्यापूर्वी इंटरसिस्टम्स IRIS बाजूला केली जाईल. व्हेरिएबल प्रतिस्थापनासाठी येथे वाक्यरचना आहे:

• ${class:method:arg1:...:argN} - पद्धत कॉल
• #{expr} - ऑब्जेक्टस्क्रिप्ट भाषेत कोड कार्यान्वित करा.

चाचणी व्यवसाय प्रक्रियेमध्ये एक उदाहरण उपलब्ध आहे isc.py.test.Process, उदाहरणार्थ, क्रियाकलाप मध्ये Correlation Matrix: Graph: f.savefig(r'#{process.WorkDirectory}SHOWCASE${%PopulateUtils:Integer:1:100}.png'). या उदाहरणात:

• #{process.WorkDirectory} ऑब्जेक्टची WorkDirectory प्रॉपर्टी परत करते process, जे वर्गाचे एक उदाहरण आहे isc.py.test.Process त्या वर्तमान व्यवसाय प्रक्रिया.
• ${%PopulateUtils:Integer:1:100} एक पद्धत कॉल करते Integer वर्ग %PopulateUtils, उत्तीर्ण युक्तिवाद 1 и 100, श्रेणीमध्ये एक यादृच्छिक पूर्णांक परत करत आहे 1...100.

चाचणी व्यवसाय प्रक्रिया

चाचणी उत्पादने आणि चाचणी व्यवसाय प्रक्रिया पायथन गेटवेचा भाग म्हणून डीफॉल्टनुसार उपलब्ध आहेत. त्यांचा वापर करण्यासाठी:

1. ओएस टर्मिनलमध्ये, चालवा: pip install pandas matplotlib seaborn.
2. InterSystems IRIS टर्मिनलमध्ये, चालवा: do ##class(isc.py.test.CannibalizationData).Import() चाचणी डेटा भरण्यासाठी.
3. उत्पादने लाँच करा isc.py.test.Production.
4. विनंती प्रकार पाठवा Ens.Request в isc.py.test.Process.

हे सर्व एकत्र कसे कार्य करते ते पाहूया. उघडा isc.py.test.Process BPL संपादकात:

कोडची अंमलबजावणी

पायथन कोड कार्यान्वित करणे हे सर्वात महत्वाचे आव्हान आहे:

क्वेरी वापरली isc.py.msg.ExecutionRequest, येथे त्याचे गुणधर्म आहेत:

• Code - पायथन कोड.
• SeparateLines — अंमलबजावणीसाठी कोडला ओळींमध्ये विभागायचे की नाही. $c(10) (n) स्ट्रिंग वेगळे करण्यासाठी वापरले जाते. कृपया लक्षात घ्या की संपूर्ण संदेशावर एकाच वेळी प्रक्रिया करण्याची शिफारस केलेली नाही, हे कार्य केवळ प्रक्रिया करण्याच्या उद्देशाने आहे def आणि तत्सम बहुरेखा अभिव्यक्ती. डीफॉल्ट 0.
• Variables — व्हेरिएबल्सची स्वल्पविरामाने विभक्त केलेली यादी जी प्रतिसादात जोडली जाईल.
• Serialization - आपण परत करू इच्छित असलेल्या व्हेरिएबल्सची क्रमवारी कशी लावायची. पर्याय: Str, Repr, JSON, Pickle и Dill, डीफॉल्ट Str.

आमच्या बाबतीत, आम्ही फक्त मालमत्ता सेट करतो Code, त्यामुळे इतर सर्व गुणधर्म डीफॉल्ट मूल्ये वापरतात. आम्ही कॉल करून ते सेट केले process.GetAnnotation("Import pandas"), जे रनटाइममध्ये व्हेरिएबल प्रतिस्थापन केल्यानंतर भाष्य देते. सर्व केल्यानंतर, कोड import pandas as pd Python ला पास केले जाईल. GetAnnotation बहु-लाइन पायथन स्क्रिप्ट्स प्राप्त करण्यासाठी उपयुक्त असू शकते, परंतु कोड प्राप्त करण्याच्या या पद्धतीवर कोणतेही निर्बंध नाहीत. आपण मालमत्ता सेट करू शकता Code आपल्यासाठी कोणत्याही प्रकारे सोयीस्कर.

व्हेरिएबल्स मिळवणे

वापरून आणखी एक मनोरंजक आव्हान isc.py.msg.ExecutionRequest - Correlation Matrix: Tabular:

ते पायथन बाजूला सहसंबंध मॅट्रिक्सची गणना करते आणि व्हेरिएबल काढते corrmat विनंती गुणधर्म सेट करून JSON फॉरमॅटमध्ये InterSystems IRIS वर परत जा:

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

आम्ही व्हिज्युअल ट्रेसमध्ये परिणाम पाहू शकतो:

आणि जर आम्हाला बीपीमध्ये हे मूल्य हवे असेल तर आम्ही ते याप्रमाणे मिळवू शकतो: callresponse.Variables.GetAt("corrmat").

डेटा ट्रान्सफर

पुढे, इंटरसिस्टम्स IRIS वरून Python मध्ये डेटा हस्तांतरित करण्याबद्दल बोलूया; डेटा ट्रान्सफरच्या सर्व विनंत्या इंटरफेसची अंमलबजावणी करतात isc.py.msg.DataRequestजे खालील गुणधर्म प्रदान करते:

• Variable — एक पायथन व्हेरिएबल ज्यामध्ये डेटा लिहिला जातो.
• Type - व्हेरिएबल प्रकार: dataframe (पंडा डेटाफ्रेम) किंवा list.
• Namespace — ज्या क्षेत्रातून आम्ही डेटा प्राप्त करतो. प्लास्टिकची पिशवी isc.py या क्षेत्रात उपलब्ध असावे. हे उत्पादन समर्थन नसलेले क्षेत्र असू शकते.

या इंटरफेसवर आधारित, विनंत्यांचे 4 वर्ग लागू केले जातात:

• isc.py.msg.QueryRequest - मालमत्ता सेट करा Query SQL क्वेरी पाठवण्यासाठी.
• isc.py.msg.ClassRequest - मालमत्ता सेट करा Class वर्ग डेटा पास करण्यासाठी.
• isc.py.msg.TableRequest - मालमत्ता सेट करा Table टेबल डेटा हस्तांतरित करण्यासाठी.
• isc.py.msg.GlobalRequest - मालमत्ता सेट करा Global जागतिक डेटा हस्तांतरणासाठी.

चाचणी प्रक्रियेत, क्रियाकलाप पहा RAWकुठे isc.py.msg.QueryRequest कृतीत दाखवले आहे.

Python संदर्भ जतन करणे/पुनर्संचयित करणे

शेवटी, आम्ही पायथन संदर्भ InterSystems IRIS मध्ये सेव्ह करू शकतो, हे करण्यासाठी आम्ही पाठवू isc.py.msg.SaveRequest युक्तिवादांसह:

• Mask — मास्कशी जुळणारे व्हेरिएबल्सच सेव्ह केले जातात. समर्थित * и ?. उदाहरणः "Data*, Figure?". डीफॉल्ट *.
• MaxLength — संचयित व्हेरिएबलची कमाल लांबी. जर व्हेरिएबलचे सिरियलायझेशन मोठे असेल तर त्याकडे दुर्लक्ष केले जाईल. कोणत्याही लांबीचे चल मिळविण्यासाठी 0 वर सेट करा. डीफॉल्ट $$$MaxStringLength.
• Name — संदर्भ नाव (पर्यायी).
• Description — संदर्भाचे वर्णन (पर्यायी).

परत Ens.StringResponse с Id जतन केलेला संदर्भ. चाचणी प्रक्रियेत, क्रियाकलाप पहा Save Context.

संबंधित विनंती isc.py.msg.RestoreRequest InterSystems IRIS वरून Python मध्ये संदर्भ लोड करते:

• ContextId — संदर्भ अभिज्ञापक.
• Clear - पुनर्संचयित करण्यापूर्वी संदर्भ साफ करा.

ज्युपिटर नोटबुक

ज्युपिटर नोटबुक एक मुक्त स्रोत वेब अनुप्रयोग आहे जो तुम्हाला कोड, व्हिज्युअलायझेशन आणि मजकूर असलेली नोटबुक तयार आणि प्रकाशित करण्यास अनुमती देतो. पायथन गेटवे तुम्हाला ज्युपिटर नोटबुकच्या स्वरूपात BPL प्रक्रिया पाहण्याची आणि संपादित करण्याची परवानगी देतो. कृपया लक्षात घ्या की सामान्य पायथन 3 एक्झिक्युटर सध्या वापरला जातो.

हा विस्तार असे गृहीत धरतो की भाष्यांमध्ये पायथन कोड असतो आणि अ‍ॅक्टिव्हिटी नावे मागील शीर्षक म्हणून वापरतात. ज्युपिटर नोटबुकमध्ये पायथनगेटवे व्यवसाय प्रक्रिया विकसित करणे आता शक्य आहे. काय शक्य आहे ते येथे आहे:

• नवीन व्यवसाय प्रक्रिया तयार करा
• व्यवसाय प्रक्रिया हटवा
• नवीन उपक्रम तयार करा
• क्रियाकलाप बदला
• क्रियाकलाप हटवा

येथे डेमो व्हिडिओ. आणि काही स्क्रीनशॉट्स:

प्रक्रिया एक्सप्लोरर

प्रक्रिया संपादक

सेटिंग

1. तुम्हाला InterSystems IRIS 2019.2+ ची आवश्यकता असेल.
2. PythonGateway v0.8+ स्थापित करा (फक्त आवश्यक isc.py.util.Jupyter, isc.py.util.JupyterCheckpoints и isc.py.ens.ProcessUtils).
3. रेपॉजिटरीमधून ऑब्जेक्टस्क्रिप्ट कोड अपडेट करा.
4. चालवा do ##class(isc.py.util.Jupyter).Install() आणि सूचनांचे अनुसरण करा.

दस्तऐवजीकरण.

निष्कर्ष

MLToolkit हा टूल्सचा एक संच आहे ज्यांचे ध्येय मॉडेल्स आणि व्यवहाराचे वातावरण एकत्र करणे हे आहे जेणेकरुन तयार केलेली मॉडेल्स थेट तुमच्या व्यवसाय प्रक्रियेत वापरता येतील. Python Gateway MLToolkit चा भाग आहे आणि Python भाषेसह एकीकरण प्रदान करते, ज्यामुळे तुम्हाला Python (अनेक डेटा वैज्ञानिकांसाठी मुख्य वातावरण) मध्ये तयार केलेले कोणतेही मशीन लर्निंग अल्गोरिदम ऑर्केस्ट्रेट करण्याची परवानगी मिळते, त्वरीत अनुकूली, रोबोटिक विश्लेषणात्मक AI तयार करण्यासाठी असंख्य रेडीमेड लायब्ररी वापरा. इंटरसिस्टम्स प्लॅटफॉर्म IRIS वर एमएल सोल्यूशन्स.

संदर्भ

• मागील लेख
• पायथन गेटवे
• पायथन गेटवे नमुने
• अभिसरण-विश्लेषण
• पायथन 3.6.7 64 बिट
• पायथन दस्तऐवजीकरण आणि अभ्यासक्रम

MLToolkit

MLToolkit वापरकर्ता गट एक खाजगी GitHub भांडार आहे जो InterSystems कॉर्पोरेट GitHub संस्थेचा भाग म्हणून तयार केला आहे. हे बाह्य वापरकर्त्यांसाठी आहे जे Python गेटवेसह MLToolkit घटक स्थापित करतात, शिकतात किंवा आधीपासूनच वापरत आहेत. मार्केटिंग, मॅन्युफॅक्चरिंग, मेडिसिन आणि इतर अनेक उद्योगांच्या क्षेत्रात या गटाकडे अनेक अंमलात आणलेली प्रकरणे (स्रोत कोड आणि चाचणी डेटासह) आहेत. एमएल टूलकिट वापरकर्ता गटात सामील होण्यासाठी, कृपया खालील पत्त्यावर एक छोटा ईमेल पाठवा: [ईमेल संरक्षित] आणि तुमच्या पत्रात खालील माहिती समाविष्ट करा:

• GitHub वापरकर्तानाव
• संस्था (तुम्ही काम करता किंवा अभ्यास करता)
• स्थिती (तुमच्या संस्थेतील तुमची वास्तविक स्थिती, एकतर "विद्यार्थी" किंवा "स्वतंत्र").
• देशातील

आर्टिफिशियल इंटेलिजन्स आणि मशीन लर्निंग इंजिन विकसित करण्यासाठी किंवा होस्ट करण्यासाठी एक व्यासपीठ म्हणून ज्यांनी लेख वाचला आहे आणि इंटरसिस्टीम्स IRIS च्या क्षमतांमध्ये स्वारस्य आहे त्यांच्यासाठी, आम्ही तुम्हाला तुमच्या एंटरप्राइझसाठी स्वारस्य असलेल्या संभाव्य परिस्थितींवर चर्चा करण्यासाठी आमंत्रित करतो. तुमच्या कंपनीच्या गरजा विश्‍लेषित करण्यात आणि संयुक्तपणे कृती योजना निश्चित करण्यात आम्हाला आनंद होईल; आमच्या AI/ML तज्ञ टीमचा ईमेल पत्ता संपर्क करा - [ईमेल संरक्षित].

स्त्रोत: www.habr.com