首页
/ Foundry Dev Tools 使用教程

Foundry Dev Tools 使用教程

2024-09-12 23:51:58作者:邬祺芯Juliet

1、项目介绍

Foundry Dev Tools 是一个用于与 Palantir Foundry 平台 API 进行交互的工具集。它由两部分组成:

  • Transforms 实现:一个内部使用 CachedFoundryClient 的 Foundry transforms 包实现,允许你在本地机器上无缝运行 Palantir Foundry 代码仓库中的 transforms 代码。
  • API 客户端:实现了多个 Foundry API 的客户端,如 Compass、Catalog 或 Foundry SQL Server。

2、项目快速启动

安装

你可以通过 pipconda 安装 Foundry Dev Tools。

使用 pip 安装

pip install foundry-dev-tools

使用 conda 安装

conda install -c conda-forge foundry-dev-tools

快速使用示例

以下是一个简单的使用示例,展示了如何使用 Foundry Dev Tools 查询 Foundry SQL Server 中的数据。

from foundry_dev_tools import FoundryContext

# 初始化上下文,包含你的凭证和配置
ctx = FoundryContext()

# 查询 Foundry SQL Server
df = ctx.foundry_sql_server.query_foundry_sql("SELECT * FROM `/Global/Foundry Training and Resources/Example Data/Aviation Ontology/airlines`", branch='master')

# 输出查询结果的形状
print(df.shape)

3、应用案例和最佳实践

应用案例

Foundry Dev Tools 可以用于以下场景:

  • 本地开发:在本地环境中开发和测试 Foundry transforms 代码,无需每次都上传到 Foundry 平台。
  • 数据查询:通过 API 客户端直接查询 Foundry 平台中的数据,方便数据科学家进行数据分析。

最佳实践

  • 使用现代开发工具:结合 Ruff、Mypy、Pylint、Black 等现代开发工具,提升代码质量和开发效率。
  • 保持 Git 历史干净:避免意外或自动提交,确保 Git 历史记录的整洁。

4、典型生态项目

Foundry Dev Tools 可以与以下生态项目结合使用:

  • Jupyter Notebook:用于数据探索和分析。
  • VSCodePyCharm:用于代码编辑和调试。
  • Pre-commit Hooks:用于代码提交前的自动检查和格式化。

通过这些工具的结合,可以进一步提升开发效率和代码质量。

登录后查看全文

项目优选

收起
kernelkernel
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
511
551
docsdocs
暂无描述
Markdown
852
5.69 K
ops-transformerops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
1.05 K
2.49 K
kernelkernel
deepin linux kernel
C
33
16
pytorchpytorch
作为 Ascend for PyTorch 社区的核心组件,TorchNPU 是昇腾专为 PyTorch 打造的深度学习适配插件,使 PyTorch 框架能够直接调用昇腾 NPU,为开发者提供昇腾 AI 处理器的超强算力。
Python
839
1.28 K
ops-nnops-nn
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
847
1.7 K
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.25 K
1.38 K
jiuwenswarmjiuwenswarm
JiuwenSwarm 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。
Python
3.17 K
857
AscendNPU-IRAscendNPU-IR
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
503
346
cann-learning-hubcann-learning-hub
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
787
415