Vektörleri silme

Vektörleri silmek sadece veritabanını düzenlemek için değil, performansı optimize etmek içindir. İndekslerin büyüdükçe, gereksiz veya güncelliğini yitirmiş vektörler depolamayı doldurabilir ve sorgu performansını yavaşlatabilir. Yinelenen verileri kaldırarak işlemlerini sadeleştirir, daha hızlı yanıtlar ve kaynakların daha iyi kullanılmasını sağlarsın.

Bu egzersizde, 'datacamp-index' Pinecone indeksinden vektör silmeyi pratik edeceksin. Silmenin gerçekleştiğini doğrulamak için indeks metriklerini kontrol edeceksin.

Eğer vektörleri yanlışlıkla siler ve başka bir nedenle egzersizi geçemezsen, silme kodundan önce aşağıdaki kodu ekleyerek silinecek vektörleri yeniden upsert edebilirsin:

index.upsert(vectors=vectors)

Bu egzersiz

Pinecone ile Vektör Veritabanları ve Embeddings

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

API anahtarını kullanarak Pinecone bağlantısını başlat.
ID'leri "3" ve "4" olan vektörleri sil.
Saklanan vektör sayısının azaldığını kontrol etmek için datacamp-index Pinecone indeksinin metriklerini al.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Initialize the Pinecone client using your API key
pc = Pinecone(api_key="____")

index = pc.Index('datacamp-index')

# Delete vectors
____

# Retrieve metrics of the connected Pinecone index
print(____)

Kodu Düzenle ve Çalıştır

Bu egzersiz

Pinecone ile Vektör Veritabanları ve Embeddings

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

Explore the mechanics behind Pinecone's vector database, from pods and indexes to comparing it with other databases. Learn to differentiate pod types, acquire API keys, and initialise Pinecone connection using python. Finally, you’ll learn how to create Pinecone indexes, exploring different parameters such as dimensionality, distance metrics, pod types, and others.

Exercise 1: Introduction to Pinecone indexes Exercise 2: Creating a Pinecone client Exercise 3: Your first Pinecone index Exercise 4: Managing indexes Exercise 5: Connecting to an index Exercise 6: Deleting an index Exercise 7: The Pinecone ecosystem Exercise 8: Vector ingestion Exercise 9: Checking dimensionality Exercise 10: Ingesting vectors with metadata

Get hands-on with Pinecone in Python, where we explore the practical side of using Pinecone for managing indexes, adding vectors with metadata, searching and retrieving vectors, and making updates or deletions. Gain a solid grasp of the key functions and ideas to smoothly handle data in the Pinecone vector database.

Exercise 1: Vektörleri getirme Exercise 2: Querying vs. Fetching Exercise 3: Vektörleri getirme Exercise 4: Vektörleri sorgulama Exercise 5: En benzer vektörleri döndürme Exercise 6: Uzaklık metriklerini değiştirmek Exercise 7: Metadata filtreleme Exercise 8: Sorguları filtreleme Exercise 9: Birden çok metadata filtresi Exercise 10: Vektörleri güncelleme ve silme Exercise 11: Vektör değerlerini güncelleme Exercise 12: Vektör üst verilerini güncelleme Exercise 13: Vektörleri silme

Geçerli Egzersiz

In this chapter, learners delve into optimizing Pinecone index performance, leveraging multi-tenant namespaces for cost reduction, building semantic search engines, and creating retrieval-augmented question answering systems using Pinecone with the OpenAI API. Through these lessons, learners gain practical skills in performance tuning, semantic search, and retrieval-augmented question answering, empowering them to apply Pinecone effectively in real-world AI applications.

Exercise 1: Batching upserts Exercise 2: Defining a function for chunking Exercise 3: Batching upserts in chunks Exercise 4: Batching upserts in parallel Exercise 5: Multitenancy and namespaces Exercise 6: Namespaces Exercise 7: Querying namespaces Exercise 8: Semantic search with Pinecone Exercise 9: Creating and configuring a Pinecone index Exercise 10: Upserting vectors for semantic search Exercise 11: Querying vectors for semantic search Exercise 12: RAG chatbot with Pinecone and OpenAI Exercise 13: Upserting YouTube transcripts Exercise 14: Building a retrieval function Exercise 15: RAG questions answering function Exercise 16: Congratulations!