pyvectordb Download - pyvectordb Code source Télécharger

pyvectordb

Autre code source

v0.1.7

Télécharger

Pyvectordb

Né pour être simple. Le wrapper Python simple fournit un support efficace pour les opérations CRUD et l'interrogation avec des bases de données vectorielles. ".

Commencer

Installation

Pour installer toutes les dépréances de support de la base de données vectorielle (nécessite beaucoup d'espace disque, non recommandée)

pip install pyvectordb[all]

Si vous n'avez besoin que d'un moteur de base de données vectorielle spécifique, vous pouvez utiliser (recommandé)

pip install pyvectordb[pgvector]

pip install pyvectordb[qdrant]

pip install pyvectordb[chromadb]

Exemples d'utilisation

1. Pgvector

PGVector est une extension pour PostgreSQL qui permet le stockage, l'indexation et la requête des incorporations vectorielles. Il est conçu pour prendre en charge la recherche de similitude vectorielle, qui est utile dans les applications d'apprentissage automatique comme le traitement du langage naturel, la reconnaissance d'image et les systèmes de recommandation. En stockant les incorporations vectorielles comme type de données, PGVector permet des recherches de similitude efficaces en utilisant des mesures de distance telles que la similitude en cosinus, la distance euclidienne, le produit interne, etc.

 from dotenv import load_dotenv
load_dotenv ()

import os
from pyvectordb import Vector
from pyvectordb . pgvector . pgvector import PgvectorDB
from pyvectordb . distance_function import DistanceFunction

v1 = Vector (
    embedding = [ 2. , 2. , 1. ],
    metadata = { "text" : "hellow from pyvectordb" }
)
v2 = Vector (
    embedding = [ 2. , 2. , 2. ],
    metadata = { "text" : "hi" }
)
v3 = Vector (
    embedding = [ 2. , 2. , 3. ],
    metadata = { "text" : "good morning!" }
)

vector_db = PgvectorDB (
    user = os . getenv ( "PG_USER" ),
    password = os . getenv ( "PG_PASSWORD" ),
    host = os . getenv ( "PG_HOST" ),
    port = os . getenv ( "PG_PORT" ),
    db_name = os . getenv ( "PG_NAME" ),
    collection = os . getenv ( "PG_COLLECTION" ),
    distance_function = DistanceFunction . L2 ,
)

# insert new vector
vector_db . insert_vector ( v1 )
vector_db . insert_vectors ([ v2 , v3 ])

# read v1
v_from_db = vector_db . read_vector ( v1 . get_id ())

# update v1 embedding
new_embedding = [ 2. , 2. , 4. ]
v_from_db . embedding = new_embedding
vector_db . update_vector ( v_from_db )

# read updated embedding and check
v_from_db_updated = vector_db . read_vector ( v1 . get_id ())
assert list ( v_from_db_updated . embedding ) == list ( new_embedding ), "updated embedding not equal"

# re-update v1 embedding to the v1, check
vector_db . update_vectors ([ v1 , v2 , v3 ])
re_updated_embedding = vector_db . read_vector ( v1 . get_id ()). embedding
assert list ( re_updated_embedding ) == list ( v1 . embedding ), "re-updated embedding not equal"

for x in vector_db . get_neighbor_vectors ( v1 , 3 ):
    print ( f" { x } " )

vector_db . delete_vector ( v1 . get_id ())
vector_db . delete_vectors ([ v2 , v3 ])

2. Qdrant

Qdrant «est un moteur de recherche de similitude vectorielle qui fournit un service prêt pour la production avec une API pratique pour stocker, rechercher et gérer des points (c.-à-d. Vecteurs) avec une charge utile supplémentaire.» Vous pouvez considérer les charges utiles comme des informations supplémentaires qui peuvent vous aider à vous concentrer sur votre recherche et également recevoir des informations utiles que vous pouvez donner à vos utilisateurs.

L'utilisation de Qdrant dans pyvectordb est simple, il vous suffit de changer le client en QdrantDB

 from pyvectordb import QdrantDB

vector_db = QdrantDB (
    host = os . getenv ( "Q_HOST" ),
    api_key = os . getenv ( "Q_API_KEY" ),
    port = os . getenv ( "Q_PORT" ),
    collection = os . getenv ( "Q_COLLECTION" ),
    vector_size = int ( os . getenv ( "Q_SIZE" )),
    distance_function = DistanceFunction . COSINE ,
)

3. Chroma DB

Le chroma est la base de données vectorielle open-source AI-Native. Le chroma facilite la création d'applications LLM en créant des connaissances, des faits et des compétences enfichables pour les LLM.

 from pyvectordb import ChromaDB

vector_db = ChromaDB (
    host = os . getenv ( "CH_HOST" ),
    port = os . getenv ( "CH_PORT" ),
    auth_provider = os . getenv ( "CH_AUTH_PROVIDER" ),
    auth_credentials = os . getenv ( "CH_AUTH_CREDENTIALS" ),
    collection_name = os . getenv ( "CH_COLLECTION_NAME" ),
    distance_function = DistanceFunction . L2 ,
)

Fonctions disponibles

Ce sont des fonctions disponibles dans cet outil simple

 def insert_vector ( self , vector : Vector ) -> None : ...
def insert_vectors ( self , vectors : List [ Vector ]) -> None : ...
def read_vector ( self , id : str ) -> Vector | None : ...
def update_vector ( self , vector : Vector ) -> None : ...
def update_vectors ( self , vectors : List [ Vector ]) -> None : ...
def delete_vector ( self , id : str ) -> None : ...
def delete_vectors ( self , ids : Union [ List [ str ], List [ Vector ]]) -> None : ...
def get_neighbor_vectors ( self , vector : Vector , n : int ) -> List [ VectorDistance ]: ...