Vector Databases: Pinecone, Weaviate & pgvector · Lezione

Upsert dei dati in Pinecone

Padroneggi il processo di inserimento e aggiornamento dei dati vettoriali, insieme ai relativi metadati, nel suo indice Pinecone.

Upsert dei dati in Pinecone è una lezione Vector Databases: Pinecone, Weaviate & pgvector gratuita su CoddyKit. Questa è la lezione 2 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento Vector Databases: Pinecone, Weaviate & pgvector, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso Vector Databases: Pinecone, Weaviate & pgvector include 4 lezioni in totale.

Parti di questa lezione non sono ancora state tradotte e vengono mostrate in inglese.

What is Upserting Data?

In vector databases like Pinecone, upserting is a key operation. It's a blend of 'update' and 'insert'.

If a vector with a given ID doesn't exist, it's inserted.
If it already exists, the existing vector (and its metadata) is updated with the new data.

This single operation simplifies managing dynamic vector data without needing to check for existence first.

Connecting to Your Pinecone Index

Before we upsert, you need to connect to your Pinecone index. This involves initializing the Pinecone client and selecting your target index.

Remember to replace YOUR_API_KEY and YOUR_ENVIRONMENT with your actual credentials, typically loaded from environment variables.

import os
from pinecone import Pinecone

# Initialize Pinecone client
pc = Pinecone(
    api_key=os.environ.get("PINECONE_API_KEY", "YOUR_API_KEY"),
    environment=os.environ.get("PINECONE_ENVIRONMENT", "YOUR_ENVIRONMENT")
)

# Connect to your index (e.g., 'my-index')
index_name = "my-index"
index = pc.Index(index_name)

print(f"Connected to index: {index_name}")

Upserting a Single Vector

To upsert a single vector, you provide a unique id and the vector data (a list of floats). Each vector needs an ID for Pinecone to identify it.

The dimension of the vector must match the dimension configured for your Pinecone index (e.g., 3 for our simple examples).

Demo: Single Vector Upsert

Here's how to insert a single vector into your index. We'll use a simple 3-dimensional vector for demonstration.

import os
from pinecone import Pinecone

pc = Pinecone(
    api_key=os.environ.get("PINECONE_API_KEY", "YOUR_API_KEY"),
    environment=os.environ.get("PINECONE_ENVIRONMENT", "YOUR_ENVIRONMENT")
)
index = pc.Index("my-index") # Assuming 'my-index' exists

# Upsert a single vector
index.upsert(
    vectors=[
        {"id": "vec1", "values": [0.1, 0.2, 0.3]}
    ]
)

print("Single vector 'vec1' upserted!")

Efficient Batch Upserts

For better performance, it's highly recommended to upsert multiple vectors in batches rather than one by one. This reduces network overhead.

You can prepare a list of dictionaries, where each dictionary represents a vector with its id and values.

Demo: Batch Upserting Vectors

This example shows how to upsert several vectors at once. Notice the vectors parameter takes a list of vector objects.

import os
from pinecone import Pinecone

pc = Pinecone(
    api_key=os.environ.get("PINECONE_API_KEY", "YOUR_API_KEY"),
    environment=os.environ.get("PINECONE_ENVIRONMENT", "YOUR_ENVIRONMENT")
)
index = pc.Index("my-index") # Assuming 'my-index' exists

# Prepare multiple vectors for batch upsert
batch_vectors = [
    {"id": "vec2", "values": [0.4, 0.5, 0.6]},
    {"id": "vec3", "values": [0.7, 0.8, 0.9]},
    {"id": "vec4", "values": [0.11, 0.12, 0.13]}
]

# Upsert the batch
index.upsert(vectors=batch_vectors)

print("Batch of vectors upserted!")

Adding Metadata to Vectors

Metadata allows you to store additional key-value pairs alongside your vectors. This is incredibly useful for filtering search results later.

Metadata can include properties like a document's title, author, category, or creation date. It's stored as a dictionary within each vector object.

Demo: Upsert with Metadata

Let's add some context to our vectors using metadata. This makes them much more powerful for real-world applications.

import os
from pinecone import Pinecone

pc = Pinecone(
    api_key=os.environ.get("PINECONE_API_KEY", "YOUR_API_KEY"),
    environment=os.environ.get("PINECONE_ENVIRONMENT", "YOUR_ENVIRONMENT")
)
index = pc.Index("my-index") # Assuming 'my-index' exists

# Upsert a vector with metadata
index.upsert(
    vectors=[
        {
            "id": "doc1",
            "values": [0.2, 0.3, 0.4],
            "metadata": {"genre": "sci-fi", "year": 2023}
        },
        {
            "id": "doc2",
            "values": [0.5, 0.6, 0.7],
            "metadata": {"genre": "fantasy", "author": "J. Doe"}
        }
    ]
)

print("Vectors 'doc1' and 'doc2' upserted with metadata!")

How Upsert Handles Updates

The 'update' part of 'upsert' means that if you try to upsert a vector with an id that already exists in your index, Pinecone won't create a new entry.

Instead, it will overwrite the existing vector's values and metadata with the new data you provide. This ensures data consistency and avoids duplicates.

Upserting Knowledge Check

You've learned about upserting. Let's check your understanding!

Recap: Mastering Upserts

Great job! You've learned the essentials of upserting data into Pinecone:

Upsert = Update + Insert: A single operation for adding new or modifying existing vectors.
IDs are Key: Each vector requires a unique ID for identification and updates.
Batching for Performance: Always upsert multiple vectors in batches for efficiency.
Metadata for Context: Add key-value pairs to vectors for powerful filtering and search.
Updates are Automatic: Upserting with an existing ID overwrites the old vector.

Next, we'll explore how to query these vectors to find similar items!

Domande Frequenti

La lezione «Upsert dei dati in Pinecone» è gratuita?

Sì — il testo completo di «Upsert dei dati in Pinecone» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso Vector Databases: Pinecone, Weaviate & pgvector, passa a CoddyKit PRO. Il corso Vector Databases: Pinecone, Weaviate & pgvector include 4 lezioni in totale.

Cosa imparerò in «Upsert dei dati in Pinecone»?

Padroneggi il processo di inserimento e aggiornamento dei dati vettoriali, insieme ai relativi metadati, nel suo indice Pinecone. Eserciti Vector Databases: Pinecone, Weaviate & pgvector con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.

Ho bisogno di esperienza per iniziare Vector Databases: Pinecone, Weaviate & pgvector?

Non è richiesta alcuna esperienza precedente. Vector Databases: Pinecone, Weaviate & pgvector su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 2 di 4.

Quanto tempo richiede la lezione «Upsert dei dati in Pinecone»?

La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.

Posso scrivere ed eseguire codice in questa lezione Vector Databases: Pinecone, Weaviate & pgvector?

Sì. Ogni lezione Vector Databases: Pinecone, Weaviate & pgvector include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.

Tutte le lezioni di questo corso

← Torna a Vector Databases: Pinecone, Weaviate & pgvector