Prova BigQuery DataFrames

Usa questa guida rapida per eseguire le seguenti analisi e machine learning (ML) delle attività utilizzando API BigQuery DataFrames in un Blocco note BigQuery:

• Crea un DataFrame su bigquery-public-data.ml_datasets.penguins un set di dati pubblico.
• Calcolare la massa corporea media di un pinguino.
• Crea un modello di regressione lineare.
• Crea un DataFrame su un sottoinsieme di dati sui pinguini da utilizzare come dati di addestramento.
• Pulire i dati di addestramento.
• Imposta i parametri del modello.
• Adatta il modello.
• Assegna un punteggio al modello.

Prima di iniziare

1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

3. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

4. Make sure that billing is enabled for your Google Cloud project.

5. Assicurati che l'API BigQuery sia abilitata.

   Abilitare l'API

   Se hai creato un nuovo progetto, l'API BigQuery viene attivata automaticamente.

Autorizzazioni obbligatorie

Per creare ed eseguire i notebook, devi disporre dei seguenti ruoli IAM (Identity and Access Management):

• Utente BigQuery (roles/bigquery.user)
• Utente runtime del blocco note (roles/aiplatform.notebookRuntimeUser)
• Creatore di codice (roles/dataform.codeCreator)

Crea un blocco note

Per creare un nuovo blocco note, segui le istruzioni riportate in Creare un blocco note dall'editor di BigQuery.

Prova BigQuery DataFrames

Per provare BigQuery DataFrames:

1. Crea una nuova cella di codice nel notebook.

2. Copia il seguente codice e incollalo nella cella di codice:

   import bigframes.pandas as bpd
   
   # Set BigQuery DataFrames options
   bpd.options.bigquery.project = your_gcp_project_id
   bpd.options.bigquery.location = "us"
   
   # Create a DataFrame from a BigQuery table
   query_or_table = "bigquery-public-data.ml_datasets.penguins"
   df = bpd.read_gbq(query_or_table)
   
   # Use the DataFrame just as you would a pandas DataFrame, but calculations
   # happen in the BigQuery query engine instead of the local system.
   average_body_mass = df["body_mass_g"].mean()
   print(f"average_body_mass: {average_body_mass}")
   
   # Create the Linear Regression model
   from bigframes.ml.linear_model import LinearRegression
   
   # Filter down to the data we want to analyze
   adelie_data = df[df.species == "Adelie Penguin (Pygoscelis adeliae)"]
   
   # Drop the columns we don't care about
   adelie_data = adelie_data.drop(columns=["species"])
   
   # Drop rows with nulls to get our training data
   training_data = adelie_data.dropna()
   
   # Pick feature columns and label column
   X = training_data[
       [
           "island",
           "culmen_length_mm",
           "culmen_depth_mm",
           "flipper_length_mm",
           "sex",
       ]
   ]
   y = training_data[["body_mass_g"]]
   
   model = LinearRegression(fit_intercept=False)
   model.fit(X, y)
   model.score(X, y)
   

3. Modifica la riga bpd.options.bigquery.project = your_gcp_project_id per specificare il progetto, ad esempio bpd.options.bigquery.project = "myproject".

4. Esegui la cella di codice.

   La cella di codice restituisce la massa corporea media per i pinguini nel set di dati. restituisce le metriche di valutazione del modello.

Esegui la pulizia

Il modo più semplice per eliminare la fatturazione creato per il tutorial.

Per eliminare il progetto:

Attenzione: l'eliminazione di un progetto ha i seguenti effetti:

• L'intero contenuto del progetto viene eliminato. Se hai utilizzato un progetto esistente per le attività descritte in questo documento, quando lo elimini elimini anche tutto il lavoro svolto nel progetto.
• Gli ID progetto personalizzati non sono più disponibili. Quando hai creato questo progetto, potresti aver creato un ID progetto personalizzato che vuoi utilizzare in futuro. Per conservare gli URL che utilizzano l'ID progetto, ad esempio un appspot.com URL, elimina le risorse selezionate all'interno del progetto anziché eliminare l'intero progetto.

Se intendi esplorare più architetture, tutorial o guide rapide, il riuso dei progetti può aiutarti a non superare i limiti di quota.

1. In the Google Cloud console, go to the Manage resources page.

   Go to Manage resources

2. In the project list, select the project that you want to delete, and then click Delete.
3. In the dialog, type the project ID, and then click Shut down to delete the project.

Passaggi successivi

Prova il notebook Inizia a utilizzare BigQuery DataFrames.