本文旨在解决在Snowflake中保存OneHotEncoder和OrdinalEncoder后，用于推理新数据时出现`ufunc ‘isnan’ not supported`错误的问题。文章将深入探讨问题原因，并提供一份详细的解决方案，包括正确的编码器调用方式、数据类型转换以及优化的UDF函数实现，确保模型在Snowflake环境中能够稳定可靠地进行预测。
在Snowflake中部署机器学习模型时，将预处理步骤（如One-Hot Encoding和Ordinal Encoding）集成到用户自定义函数（UDF）中是常见的做法。然而，在将训练好的编码器保存到Snowflake并尝试用于新数据推理时，可能会遇到各种问题，其中一个常见的问题是ufunc ‘isnan’ not supported错误。本文将详细介绍如何解决这个问题，并提供一个完整的示例，展示如何在Snowflake中正确地加载和使用编码器进行推理。
问题分析
ufunc ‘isnan’ not supported错误通常表明在尝试对包含非数值数据（例如字符串）的数据执行数值操作。这通常发生在以下情况下：
数据类型不匹配： 输入到编码器的数据类型与编码器训练时使用的数据类型不一致。缺失值处理不当： 编码器在训练时没有正确处理缺失值，导致在推理时遇到未知的缺失值。编码器调用错误： 在UDF中错误地使用了Snowpark API而不是scikit-learn API来转换数据。
解决方案
以下步骤将帮助您解决在Snowflake中保存的编码器无法用于推理新数据的问题：
1. 确保数据类型一致性
在训练和推理阶段，确保输入到编码器的数据类型一致。例如，如果训练数据中的某一列是字符串类型，那么在推理时，该列也必须是字符串类型。可以使用Snowflake的CAST函数或Snowpark的astype方法来转换数据类型。
无涯·问知
无涯·问知，是一款基于星环大模型底座，结合个人知识库、企业知识库、法律法规、财经等多种知识源的企业级垂直领域问答产品
40 查看详情 
2. 正确处理缺失值
在训练编码器时，使用handle_unknown和unknown_value参数来处理未知值和缺失值。例如，对于OneHotEncoder，可以将handle_unknown设置为’ignore’来忽略未知类别。对于OrdinalEncoder，可以使用unknown_value参数指定未知值的编码。
from snowflake.ml.modeling.preprocessing import OneHotEncoder,OrdinalEncoderimport numpy as np# OneHotEncoder示例ohe = OneHotEncoder(handle_unknown='ignore', input_cols='CATEGORY', output_cols='ROUTE_OHE')ohe.fit(mock_df)# OrdinalEncoder示例categories = { "AIRPORT": np.array(['A', 'B', 'C'])}oe = OrdinalEncoder( handle_unknown='use_encoded_value', unknown_value=-1, encoded_missing_value=-1, input_cols='AIRPORT', output_cols='AIRPORT_ENCODE', categories=categories)oe.fit(mock_ohe)
3. 使用正确的编码器API
在UDF中，由于使用的是Pandas DataFrame，因此需要使用scikit-learn API来转换数据，而不是Snowpark API。将Snowpark的编码器转换为scikit-learn的编码器，再进行数据转换。
# 将Snowpark编码器转换为scikit-learn编码器ohe_obj = ohe.to_sklearn()oe_obj = oe.to_sklearn()# 在UDF中使用scikit-learn API进行转换df_ohe = ohe_obj.transform(df[['ROUTE_CATEGORY_NAME']])
4. 优化UDF函数
为了提高推理性能，可以使用@cachetools.cached装饰器来缓存加载的模型，避免每次调用UDF时都重新加载模型。此外，可以使用向量化UDF，一次性处理整个DataFrame，而不是逐行处理。
import cachetoolsimport pandas as pdfrom snowflake.snowpark.types import PandasDataFrameType,PandasSeriesType,PandasDataFrame,PandasSeriesimport snowflake.snowpark.functions as F@cachetools.cached(cache={})def read_file(filename): import sys import os import joblib # Get the "path" of where files added through iport are avalible import_dir = sys._xoptions.get("snowflake_import_directory") if import_dir: with open(os.path.join(import_dir, filename), 'rb') as file: m = joblib.load(file) return m@F.udf( name='predict_package_mix_p',session=session,replace=True, is_permanent=True,stage_location='@AM_TEST_UDFS', input_type=PandasDataFrameType([IntegerType(),StringType(),StringType(),StringType(),StringType(),StringType(),IntegerType()], list(test_df.schema.names)), return_type=PandasSeriesType(FloatType()))def predict_package_mix_p( df:PandasDataFrame) -> PandasSeries: import pandas as pd from joblib import load import sklearn import xgboost as xgb import json import snowflake.ml.modeling def transform_simple_target_encode_manual( df,transform_col,transform_df ): df = df.merge(transform_df, on=transform_col) return df def remove_space(df): cols = df.columns space_cols = [x for x in cols if ' ' in x] for c in space_cols: new_col = c.replace(" ","_") df = df.rename(columns={c:new_col}) return df ohe = read_file('one_hot_encode.pkl') oe = read_file('ordinal_encode.pkl') te = pd.read_csv(import_dir + 'target_encoding.csv.gz') model = read_file('xgb_model.pkl.gz') print('loaded models') features = [ "LS1_FLIGHT_ID","DEPARTURE_AIRPORT_CODE","ARRIVAL_AIRPORT_CODE", "ROUTE_CATEGORY_NAME","DEPARTURE_DATETIME_LOCAL", "ARRIVAL_DATETIME_LOCAL","CAPACITY" ] df.columns = features print('loaded dataframe') # transform data for one hot and ordinal encodings df_ohe = ohe.transform(df[['ROUTE_CATEGORY_NAME']]) encoded_df = pd.DataFrame(df_ohe, columns=ohe.categories_) encoded_df.columns = encoded_df.columns.get_level_values(0) encoded_df = encoded_df.add_prefix('ROUTE_NAME_OHE_') df = pd.concat([df, encoded_df], axis=1) df['DEPART_CODE_ENCODE'] = oe.transform(df[['DEPARTURE_AIRPORT_CODE']]) print('transformed via one hot and ordinal') # transform using pre-set target encoding df_te = transform_simple_target_encode_manual(df,'ARRIVAL_AIRPORT_CODE',te) df_final = remove_space(df_te) print('transformed via target encode') # change date cols to datetime df_final.loc[:,'DEPARTURE_DATETIME_LOCAL'] = pd.to_datetime( df_final.loc[:,'DEPARTURE_DATETIME_LOCAL'],format='%Y-%m-%d %H:%M:%S',yearfirst=True ) df_final['ARRIVAL_DATETIME_LOCAL'] = pd.to_datetime( df_final['ARRIVAL_DATETIME_LOCAL'],format='%Y-%m-%d %H:%M:%S',yearfirst=True ) print('transformed dates') df_final['DEPART_HOUR'] = df_final['DEPARTURE_DATETIME_LOCAL'].dt.hour # snowpark function goes from 1-7 whereas pandas goes from 0-6 df_final['DEPART_WEEKDAY'] = df_final['DEPARTURE_DATETIME_LOCAL'].dt.day_of_week + 1 df_final['DEPART_MONTHDAY'] = df_final['DEPARTURE_DATETIME_LOCAL'].dt.day df_final['DEPART_YEARDAY'] = df_final['DEPARTURE_DATETIME_LOCAL'].dt.day_of_year df_final['DEPART_MONTH'] = df_final['DEPARTURE_DATETIME_LOCAL'].dt.month df_final['DEPART_YEAR'] = df_final['DEPARTURE_DATETIME_LOCAL'].dt.year df_final['ARRIVE_HOUR'] = df_final['ARRIVAL_DATETIME_LOCAL'].dt.hour print('created features') pm = pd.Series(model.predict(df_final[ ["DEPART_CODE_ENCODE","ROUTE_NAME_OHE_CITY","ROUTE_NAME_OHE_FAR_SUN", "ROUTE_NAME_OHE_SKI","ROUTE_NAME_OHE_SUN","CAPACITY", "ARRIVAL_AIRPORT_CODE_ENCODED","DEPART_HOUR", "DEPART_WEEKDAY","DEPART_MONTHDAY","DEPART_YEARDAY", "DEPART_MONTH","DEPART_YEAR","ARRIVE_HOUR"] ])) return pm
5. 注意事项
列名大小写： Snowflake在存储表时，会将列名转换为大写。因此，在UDF中引用列名时，需要使用大写。模型和编码器版本： 确保在训练和推理阶段使用的模型和编码器版本一致。依赖包： 在Snowflake中注册UDF时，需要添加所有必要的依赖包，例如pandas、joblib、xgboost和scikit-learn。
总结
通过遵循上述步骤，您可以解决在Snowflake中保存的编码器无法用于推理新数据的问题，并构建一个稳定可靠的机器学习推理流程。关键在于确保数据类型一致性，正确处理缺失值，使用正确的编码器API，并优化UDF函数以提高性能。记住，仔细检查代码，并参考Snowflake的官方文档，可以帮助您避免许多常见的错误。
以上就是解决Snowflake中保存的编码器无法用于推理新数据的问题的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/576281.html
微信扫一扫 
支付宝扫一扫 
