pyvector-vexdb

pyvector support for vexdb

Supports SQLAlchemy,Psycopg 2

Run:

pip install pyvector-vexdb

And follow the instructions for your database library:

• pyvector-vexdb
  • SQLAlchemy
  • Psycopg 2

SQLAlchemy

映射向量列

from vexdb.sqlalchemy import FloatVector

class Item(Base):
    embedding = mapped_column(FloatVector(3))

插入向量

item = Item(embedding=[1, 2, 3])
session.add(item)
session.commit()

查询近似向量 使用欧几里得距离操作符 l2_distance(<->)

session.scalar(select(Item).order_by(Item.embedding.l2_distance([3, 1, 2])).limit(5))

还支持以下操作符

• negative_inner_product(<#>)
• consine_distance(<=>
• add(+)
• sub(-)

查询向量的欧几里得距离

session.scalar(select(Item.embedding.l2_distance([3, 1, 2])))

查询近似向量（使用欧几里得距离）

session.scalar(select(Item).filter(Item.embedding.l2_distance([3, 1, 2]) < 5))

函数调用

session.scalar(session.query(floatvector_combine([1.0,2.0,3.0], [4,5,6])))

还支持以下函数（函数说明请参考使用手册）

• floatvector_accum
• floatvector_cmp
• floatvector_gt
• floatvector_ge
• floatvector_ne
• floatvector_eq
• floatvector_le
• floatvector_lt
• floatvector_spherical_distance
• floatvector_negative_inner_product
• floatvector_l2_squared_distance
• floatvector_avg
• floatvector_sub
• floatvector_add
• floatvector_norm
• floatvector_dims
• l2_distance
• inner_product
• cosine_distance

近似最近邻索引

index = Index(
    'my_index',
    Item.embedding,
    postgresql_using='hnsw',
    postgresql_with={'m': 16, 'ef_construction': 64},
    postgresql_ops={'embedding': 'floatvector_l2_ops'}
)
# or
index = Index(
    'my_index',
    Item.embedding,
    postgresql_using='ivfflat',
    postgresql_with={'ivf_nlist': 100},
    postgresql_ops={'embedding': 'floatvector_l2_ops'}
)

索引构建还支持以下操作符

• floatvector_l2_ops 计算向量的欧几里得距离
• floatvector_ip_ops 计算向量的内积
• floatvector_consine_ops 计算向量的余弦距离

Psycopg 2

注册向量类型到连接或者游标

from vexdb.psycopg2 import register_vector

register_vector(conn)

创建带有向量类型的表

cur.execute('CREATE TABLE items (id bigint PRIMARY KEY, embedding floatvector(3))')

插入向量字段

embedding = np.array([1, 2, 3])
cur.execute('INSERT INTO items (embedding) VALUES (%s)', (embedding,))

获取最近邻向量

cur.execute('SELECT * FROM items ORDER BY embedding <-> %s LIMIT 5', (embedding,))
cur.fetchall()

floatvector_combine

cur.execute('select flaotvector_combine(%s,%s)', (embedding1, embeeding2,))
cur.fetch()

创建向量索引

cur.execute('CREATE INDEX ON items USING hnsw (embedding floatvector_l2_ops)')
# or
cur.execute('CREATE INDEX ON items USING ivfflat (embedding floatvector_l2_ops) WITH (ivf_nlist = 100)')

索引构建还支持以下操作符

• floatvector_l2_ops 计算向量的欧几里得距离
• floatvector_ip_ops 计算向量的内积
• floatvector_consine_ops 计算向量的余弦距离