Konzeptkarte

hana-ml — Machine Learning in Python innerhalb von SAP HANA Cloud

Stand 7. November 2026

„hana-ml“ – worum geht es?

hana-ml ist SAPs offizielles PyPI-Paket („hana-ml“, geprüft am 7. November 2026: Version 2.30.26091800), das PALs und APLs datenbankinterne Prozeduren hinter einer Estimator-artigen Python-API verpackt — ConnectionContext, DataFrame, UnifiedClassification/Regression, GridSearchCV und ModelStorage, das sogar Retraining planen kann. Die Daten bleiben in HANA, solange man nicht collect() aufruft, das die Ergebnismenge nach Python holt; dieselbe Wahl zwischen PAL-artigem manuellem Tuning und APL-artiger Automatisierung überträgt sich auf das importierte Submodul.

Was hana-ml tatsächlich ist

hana-ml ist SAPs offizielle Python-Client-Bibliothek für maschinelles Lernen mit SAP HANA. Der am 7. November 2026 geprüfte PyPI-Registrierungseintrag ist eindeutig: Paketname hana-ml, Zusammenfassung "Python Machine Learning Client for SAP HANA", Homepage sap.com, aktuelle Version 2.30.26091800 — eine datumscodierte Versionsnummer, die auf einen Build vom 18. September 2026 verweist, was selbst eine nützliche Tatsache ist: Diese Bibliothek erscheint in nahezu kontinuierlichem Release-Rhythmus, nicht jährlich, sodass das Pinnen einer Version in der Requirements-Datei eines Kunden mehr zählt als bei einem typischen, stabilen Data-Science-Paket.

Mechanisch ist hana-ml ein Python-Wrapper um dieselben AFL-Prozeduren, die PAL und APL in SQL bereitstellen. Es implementiert kein maschinelles Lernen in Python; es generiert und führt dieselben datenbankinternen Aufrufe aus und liefert dann Ergebnisse zurück. Das ist der ganze Designgedanke: Ein Data Scientist erhält eine vertraute, scikit-learn-artige API, während jede tatsächliche Berechnung weiterhin innerhalb von HANA gegen Tabellen läuft, die in der Datenbank bleiben, solange man nicht collect() aufruft, das die Ergebnismenge nach Python holt.

Das Push-Down-Muster, in echtem Code gezeigt

SAPs eigene Beispiel-Notebooks zeigen das Muster direkt. hana_ml.dataframe.ConnectionContext öffnet die Verbindung zu HANA; hana_ml.dataframe.DataFrame verpackt eine Tabelle oder eine SQL-Abfrage — der Aufruf von .head(), .dtypes(), .distinct() oder .count() darauf führt die Operation innerhalb von HANA aus und liefert nur das Ergebnis zurück, nicht die zugrunde liegenden Zeilen. Ein echtes SAP-Beispiel baut dies in vier Zeilen auf: einen ConnectionContext öffnen, Trainings- und Testpartitionen mit DataSets.load_diabetes_data(connection_context) aus hana_ml.algorithms.pal.utility laden — die Daten wandern dabei nie als vollständige Tabelle in den lokalen Python-Speicher, nur Zusammenfassungen und das schließliche Modellergebnis tun das.

Warum es zählt

Die Versionsnummer von hana-ml ist datumscodiert (2.30.26091800, am 7. November 2026 auf PyPI geprüft) — diese Bibliothek erscheint weit häufiger als ein jährliches Data-Science-Paket, daher gehören Versions-Pinning und Retest-Rhythmus in den Projektplan, nicht als nachträglicher Gedanke.
hana-ml fügt keine eigenen neuen Algorithmen hinzu — es ist eine Python-Eingangstür zu PAL und APL; ein Berater, der es als eigenständige ML-Bibliothek behandelt, wird das tatsächlich Verfügbare falsch einschätzen.
Die Planungsmethoden von ModelStorage (set_schedule/start_schedule/terminate_schedule) bedeuten, dass die Retraining-Orchestrierung im selben Objekt leben kann, das das Modell gespeichert hat — das ändert, wie ein MLOps-Gespräch für ein HANA-basiertes Modell gegenüber einer typischen externen ML-Plattform gescopt werden sollte.

Kernpunkte

hana-ml ist SAPs offizielles PyPI-Paket („hana-ml“), „Python Machine Learning Client for SAP HANA“ — geprüft am 7. November 2026 in Version 2.30.26091800, eine datumscodierte, nahezu kontinuierlich veröffentlichte Version.
Es ist ein Python-Wrapper, keine eigenständige ML-Engine: hana_ml.algorithms.pal verpackt PAL, hana_ml.algorithms.apl verpackt APL; alle Berechnung läuft innerhalb von HANA.
Push-Down-Muster: ConnectionContext öffnet die HANA-Verbindung; DataFrame verpackt eine Tabelle/Abfrage, und Operationen wie .head()/.dtypes()/.count() werden innerhalb von HANA ausgeführt.
UnifiedClassification/UnifiedRegression (der func-Parameter wählt den zugrunde liegenden Algorithmus) sind die Estimator-artigen Einstiegspunkte; GridSearchCV/RandomSearchCV steuern die Hyperparametersuche.
ModelStorage speichert und versioniert ein Modell (save_model, list_models) und kann Retraining direkt planen (set_schedule, start_schedule, terminate_schedule).
Installation per einfachem pip install hana-ml; HANA-seitig müssen PAL/APL (die AFL-Komponente) bereits installiert und lizenziert sein.
SAPs eigenes Beispiel-Repository (SAP-samples/hana-ml-samples) spiegelt die PAL/APL-Trennung in der eigenen Ordnerstruktur — Python-API/pal- vs. Python-API/apl-Notebooks.

Begriffe auf dieser Seite

ConnectionContext: Klasse aus hana_ml.dataframe, die die Verbindung zu einer SAP-HANA-Instanz öffnet und verwaltet.
DataFrame (hana-ml): Ein Wrapper um eine HANA-Tabelle oder SQL-Abfrage; Operationen werden innerhalb von HANA ausgeführt (Push-Down), nicht clientseitig.
UnifiedClassification / UnifiedRegression: Estimator-artige Klassen, die mehrere PAL-Algorithmen verpacken, wählbar über einen func-Parameter, mit scikit-learn-artigen fit/predict-Methoden.
ModelStorage: hana_ml-Klasse, die ein in HANA-Tabellen gespeichertes Modell sichert, versioniert, auflistet und für Retraining planen kann.
Push-Down: Das Muster, bei dem Berechnung innerhalb der Datenbank-Engine gegen Daten läuft, die sie nie verlassen, statt zunächst Zeilen zum Client zu ziehen.

Quellen

Vollständige Karte im Consultant-Tarif — 19,90 €/Monat. Was die vollständige Karte ergänzt: den vollständigen Entscheidungsrahmen · den Vergleich SAP · Snowflake · Databricks · Fabric · die häufigen Fallstricke und ihre Behebung · die Kurzreferenz · die Architekturschemata · die Codeblöcke · die zitierfähigen Kennzahlen.

In der App öffnen →

Redaktion: Cédric Mary · Wie diese Seite entsteht

Offene SAP-Projekte

Aktuelle SAP-Analytics-Projekte und Stellen im DACH-Raum: SAP-Analytics-Projekte im DACH-Raum.