Databricks API’si ile \u0130\u00e7 Servis Olarak Notebook’lar: dbutils, widgets ve notebook_params<\/p>\n
Databricks, b\u00fcy\u00fck veri i\u015fleme ve makine \u00f6\u011frenmesi i\u00e7in g\u00fc\u00e7l\u00fc bir platform sunar. Databricks’in sundu\u011fu ara\u00e7lardan biri de Notebook’lard\u0131r. Notebook’lar, kod, metin, g\u00f6rsel ve di\u011fer i\u00e7erikleri bir araya getirerek veri analizi ve model geli\u015ftirme s\u00fcre\u00e7lerini kolayla\u015ft\u0131ran etkile\u015fimli bir ortamd\u0131r. Bu makalede, Databricks Notebook’lar\u0131n\u0131 i\u00e7 servis olarak kullanmak i\u00e7in dbutils API’sini ve ilgili ara\u00e7lar\u0131 inceleyece\u011fiz.<\/p>\n
Databricks, dbutils API’si arac\u0131l\u0131\u011f\u0131yla Notebook’lar\u0131 programatik olarak y\u00f6netmek i\u00e7in g\u00fc\u00e7l\u00fc i\u015flevler sunar. Bu API ile Notebook’lar\u0131 \u00e7al\u0131\u015ft\u0131rabilir, parametreler ge\u00e7ebilir ve \u00e7\u0131kt\u0131lar\u0131 alabilirsiniz. Bu sayede Notebook’lar\u0131 di\u011fer uygulamalarla entegre edebilir ve tekrarlayan g\u00f6revleri otomatikle\u015ftirebilirsiniz.<\/p>\n
dbutils.notebook.run() fonksiyonu, ba\u015fka bir Notebook’\u0131 belirtilen parametrelerle \u00e7al\u0131\u015ft\u0131rman\u0131za olanak tan\u0131r. Bu fonksiyon, \u00f6zellikle i\u015f ak\u0131\u015f\u0131 otomasyonunda faydal\u0131d\u0131r.<\/p>\n
“`python
\n# Di\u011fer bir Notebook’\u0131 \u00e7al\u0131\u015ft\u0131rma
\ndbutils.notebook.run(“path\/to\/notebook”, 60, {“param1”: “value1”, “param2”: “value2”})
\n“`<\/p>\n
Yukar\u0131daki kodda, “path\/to\/notebook” adl\u0131 Notebook, 60 saniyelik bir zaman a\u015f\u0131m\u0131yla \u00e7al\u0131\u015ft\u0131r\u0131l\u0131r ve “param1” ve “param2” parametreleri ile birlikte iletilir.<\/p>\n
Widgets, Notebook’lar\u0131 daha interaktif hale getirmek i\u00e7in kullan\u0131labilen aray\u00fcz elemanlar\u0131d\u0131r. widgets.getArgument() fonksiyonu, kullan\u0131c\u0131 taraf\u0131ndan girilmi\u015f widget de\u011ferlerini alman\u0131za olanak tan\u0131r.<\/p>\n
“`python
\n# Widget’tan de\u011fer alma
\nmy_value = dbutils.widgets.getArgument(“my_widget”)
\n“`<\/p>\n
Bu kod, “my_widget” adl\u0131 bir widget’\u0131n de\u011ferini al\u0131r ve “my_value” de\u011fi\u015fkenine atar.<\/p>\n
widgets.text() fonksiyonu, kullan\u0131c\u0131 taraf\u0131ndan girilmi\u015f metin de\u011ferlerini almak i\u00e7in bir metin widget’\u0131 olu\u015fturur.<\/p>\n
“`python
\n# Metin widget’\u0131 olu\u015fturma
\ndbutils.widgets.text(“my_widget”, “Default Value”)
\n“`<\/p>\n
Bu kod, “my_widget” adl\u0131 bir metin widget’\u0131 olu\u015fturur ve varsay\u0131lan de\u011fer olarak “Default Value” de\u011ferini atar.<\/p>\n
notebook_params, Notebook’lara parametre ge\u00e7mek i\u00e7in kullan\u0131lan bir s\u00f6zl\u00fck gibidir. Bu parametreler, dbutils.notebook.run() fonksiyonu arac\u0131l\u0131\u011f\u0131yla ba\u015fka Notebook’lara iletilebilir.<\/p>\n
“`python
\n# Notebook parametrelerini ayarlama
\ndbutils.notebook.exit({“param1”: “value1”, “param2”: “value2”})
\n“`<\/p>\n
Yukar\u0131daki kod, “param1” ve “param2” parametrelerini i\u00e7eren bir s\u00f6zl\u00fck olu\u015fturur ve Notebook’u sonland\u0131r\u0131r. Bu parametreler, ba\u015fka bir Notebook’ta dbutils.notebook.run() fonksiyonu arac\u0131l\u0131\u011f\u0131yla al\u0131nabilir.<\/p>\n
A\u015fa\u011f\u0131daki senaryo, Notebook’lar\u0131 i\u00e7 servis olarak kullanman\u0131n pratik bir \u00f6rne\u011fini g\u00f6sterir.<\/p>\n
**Veri Haz\u0131rl\u0131\u011f\u0131 Notebook’u:**<\/p>\n
“`python
\n# Veri Haz\u0131rl\u0131\u011f\u0131 Notebook’u
\nimport pandas as pd<\/p>\n
# Widget’tan veri yolu al
\ndata_path = dbutils.widgets.getArgument(“data_path”)<\/p>\n
# Verileri y\u00fckleme
\ndf = pd.read_csv(data_path)<\/p>\n
# Verileri temizleme ve i\u015fleme
\n# …<\/p>\n
# Haz\u0131rlanm\u0131\u015f verileri kaydetme
\ndf.to_csv(“prepared_data.csv”)<\/p>\n
# Model E\u011fitim Notebook’una parametre g\u00f6nderme
\ndbutils.notebook.exit({“data_path”: “prepared_data.csv”})
\n“`<\/p>\n
**Model E\u011fitim Notebook’u:**<\/p>\n
“`python
\n# Model E\u011fitim Notebook’u
\nimport pandas as pd
\nfrom sklearn.model_selection import train_test_split
\nfrom sklearn.linear_model import LogisticRegression<\/p>\n
# Veri Haz\u0131rl\u0131\u011f\u0131 Notebook’undan parametre al
\ndata_path = dbutils.notebook.entry_point.getDbutils().notebook().getContext().notebookParams.get(“data_path”)<\/p>\n
# Verileri y\u00fckleme
\ndf = pd.read_csv(data_path)<\/p>\n
# Verileri e\u011fitim ve test k\u00fcmelerine ay\u0131rma
\nX = df.drop(“target_variable”, axis=1)
\ny = df[“target_variable”]
\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)<\/p>\n
# Model olu\u015fturma ve e\u011fitim
\nmodel = LogisticRegression()
\nmodel.fit(X_train, y_train)<\/p>\n
# Model performans\u0131n\u0131 de\u011ferlendirme
\n# …<\/p>\n
# E\u011fitilmi\u015f modeli kaydetme
\n# …
\n“`<\/p>\n
Bu senaryoda, Veri Haz\u0131rl\u0131\u011f\u0131 Notebook’u, widget arac\u0131l\u0131\u011f\u0131yla kullan\u0131c\u0131 taraf\u0131ndan girilen veri yolunu al\u0131r, verileri i\u015fler ve haz\u0131rlanm\u0131\u015f verileri kaydeder. Ard\u0131ndan, model E\u011fitim Notebook’una veri yolunu parametre olarak iletir. Model E\u011fitim Notebook’u ise bu parametreyi kullanarak verileri y\u00fckler, modeli e\u011fitir ve sonucu kaydeder.<\/p>\n
Notebook’lar\u0131 i\u00e7 servis olarak kullanman\u0131n birka\u00e7 avantaj\u0131 vard\u0131r:<\/p>\n