Visualizzare i dati di BigQuery nei Jupyter Notebook

---

Questo tutorial descrive come esplorare e visualizzare i dati utilizzando la libreria client BigQuery per Python e pandas in un'istanza di blocco note Jupyter gestito su Vertex AI Workbench. Gli strumenti di visualizzazione dei dati possono aiutarti ad analizzare i dati di BigQuery in modo interattivo, a identificare le tendenze e a comunicare gli approfondimenti ricavati dai dati. Questo tutorial utilizza i dati del set di dati pubblico BigQuery di Google Trends.

I blocchi note gestiti da Vertex AI Workbench sono ritratti. Il 30 gennaio 2025 verrà interrotto il supporto dei notebook gestiti e la possibilità di creare istanze di notebook gestiti verrà rimossa. Per utilizzare BigQuery con le istanze Vertex AI Workbench, consulta Esegui query sui dati in BigQuery da JupyterLab e Esplora e visualizza i dati in BigQuery da JupyterLab.

Obiettivi

• Crea un'istanza di notebook Jupyter gestita utilizzando Vertex AI Workbench.
• Esegui query sui dati di BigQuery utilizzando i comandi magici nei notebook.
• Esegui query e visualizza i dati di BigQuery utilizzando la libreria client Python di BigQuery e Pandas.

Costi

BigQuery è un prodotto a pagamento, pertanto l'accesso a BigQuery comporta costi di utilizzo. Il primo TB di dati di query elaborati ogni mese è gratuito. Per ulteriori informazioni, consulta la pagina relativa ai prezzi di BigQuery.

Vertex AI Workbench è un prodotto a pagamento e l'utilizzo delle istanze di Vertex AI Workbench comporta costi di calcolo, archiviazione e gestione. Per ulteriori informazioni, consulta la pagina relativa ai prezzi di Vertex AI Workbench.

Prima di iniziare

1. 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

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

3. Enable the BigQuery API.

   Enable the API

   Per i nuovi progetti, BigQuery viene attivato automaticamente.

4. Abilita l'API Notebooks.

   Abilita l'API Notebook

Panoramica: notebook Jupyter

Un blocco note fornisce un ambiente in cui creare ed eseguire codice. Un notebook è essenzialmente un elemento di origine salvato come file IPYNB. Può contenere contenuti di testo descrittivi, blocchi di codice eseguibili e output visualizzato come HTML interattivo.

Dal punto di vista strutturale, un notebook è una sequenza di celle. Una cella è un blocco di testo di input che viene valutato per produrre risultati. Le celle possono essere di tre tipi:

• Le celle di codice contengono il codice da valutare. L'output o i risultati del codice eseguito vengono visualizzati in linea con il codice eseguito.
• Le celle Markdown contengono testo Markdown che viene convertito in HTML per produrre intestazioni, elenchi e testo formattato.
• Le celle non elaborate possono essere utilizzate per eseguire il rendering di diversi formati di codice in HTML o LaTeX.

L'immagine seguente mostra una cella Markdown seguita da una cella di codice Python e poi dall'output:

Ogni notebook aperto è associato a una sessione in esecuzione (noto anche come kernel in Python). Questa sessione esegue tutto il codice nel notebook e gestisce lo stato. Lo stato include le variabili con i relativi valori, le funzioni e le classi, nonché eventuali moduli Python esistenti caricati.

In Google Cloud, puoi utilizzare un ambiente basato su notebook di Vertex AI Workbench per eseguire query ed esplorare i dati, sviluppare e addestrare un modello ed eseguire il codice all'interno di una pipeline. In questo tutorial, crei un'istanza di blocco note gestito su Vertex AI Workbench e poi esplori i dati BigQuery all'interno dell'interfaccia JupyterLab.

Crea un'istanza di blocchi note gestiti

In questa sezione, configuri un'istanza JupyterLab su Google Cloud in modo da poter creare notebook gestiti.

1. Nella console Google Cloud, vai alla pagina Workbench.

   Vai a Workbench

2. Fai clic su  Nuovo blocco note.

3. Nel campo Nome notebook, inserisci un nome per l'istanza.

4. Nell'elenco Regione, seleziona una regione per l'istanza.

5. Nella sezione Autorizzazione, seleziona un'opzione per definire gli utenti che possono accedere all'istanza dei blocchi note gestiti:

   • Account di servizio: questa opzione consente l'accesso a tutti gli utenti che hanno accesso all'account di servizio Compute Engine collegato al runtime. Per specificare il tuo account di servizio, deseleziona la casella di controllo Utilizza l'account di servizio predefinito di Compute Engine e inserisci l'indirizzo email dell'account di servizio che vuoi utilizzare. Per ulteriori informazioni sugli account di servizio, consulta Tipi di account di servizio.
   • Solo utente singolo: questa opzione consente di accedere solo a un utente specifico. Nel campo Indirizzo email utente, inserisci l'indirizzo email dell'account dell'utente che utilizzerà l'istanza di Notebook gestiti.

6. (Facoltativo) Per modificare le impostazioni avanzate dell'istanza, fai clic su Impostazioni avanzate. Per ulteriori informazioni, consulta Creare un'istanza utilizzando le impostazioni avanzate.

7. Fai clic su Crea.

   Attendi qualche minuto per la creazione dell'istanza. Vertex AI Workbench avvia automaticamente l'istanza. Quando l'istanza è pronta per l'uso, Vertex AI Workbench attiva un link Apri JupyterLab.

Sfogliare le risorse BigQuery in JupyterLab

In questa sezione apri JupyterLab ed esplori le risorse BigQuery disponibili in un'istanza di blocchi note gestita.

1. Nella riga dell'istanza di blocchi note gestita che hai creato, fai clic su Apri JupyterLab.

   Se ti viene richiesto, fai clic su Autenticati se accetti i termini. L'istanza di JupyterLab gestita apre JupyterLab in una nuova scheda del browser.

2. Nel menu di navigazione di JupyterLab, fai clic su  BigQuery in Notebooks.

   Il riquadro BigQuery elenca i progetti e i set di dati disponibili, in cui puoi eseguire le seguenti attività:

   • Per visualizzare una descrizione di un set di dati, fai doppio clic sul nome del set di dati.
   • Per visualizzare le tabelle, le visualizzazioni e i modelli di un set di dati, espandi il set di dati.
   • Per aprire una descrizione di riepilogo come scheda in JupyterLab, fai doppio clic su una tabella, una vista o un modello.

   Nota:nella descrizione di riepilogo di una tabella, fai clic sulla scheda Anteprima per visualizzare l'anteprima dei dati di una tabella. L'immagine seguente mostra un'anteprima della tabella international_top_terms nel set di dati google_trends del progetto bigquery-public-data:

   

Esegui query sui dati del notebook utilizzando il comando magico %%bigquery

In questa sezione scrivi SQL direttamente nelle celle del notebook e leggi i dati da BigQuery nel notebook Python.

I comandi magici che utilizzano un carattere percentuale singolo o doppio (% o %%) ti consentono di utilizzare una sintassi minima per interagire con BigQuery all'interno del notebook. La libreria client di BigQuery per Python viene installata automaticamente in un'istanza di notebook gestita. Dietro le quinte, il comando magico %%bigquery utilizza la libreria client BigQuery per Python per eseguire la query specificata, convertire i risultati in un DataFrame Pandas, eventualmente salvarli in una variabile e poi visualizzarli.

Nota: a partire dalla versione 1.26.0 del pacchetto Python google-cloud-bigquery, l'API BigQuery Storage viene utilizzata per impostazione predefinita per scaricare i risultati dalle magie %%bigquery.

1. Per aprire un file del blocco note, seleziona File > Nuovo > Blocco note.

2. Nella finestra di dialogo Seleziona kernel, seleziona Python (locale) e poi fai clic su Seleziona.

   Si apre il nuovo file IPYNB.

3. Per ottenere il numero di regioni per paese nel set di dati international_top_terms, inserisci la seguente istruzione:

   %%bigquery
   SELECT
     country_code,
     country_name,
     COUNT(DISTINCT region_code) AS num_regions
   FROM
     `bigquery-public-data.google_trends.international_top_terms`
   WHERE
     refresh_date = DATE_SUB(CURRENT_DATE, INTERVAL 1 DAY)
   GROUP BY
     country_code,
     country_name
   ORDER BY
     num_regions DESC;

4. Fai clic su  Esegui cella.

   L'output è simile al seguente:

   Query complete after 0.07s: 100%|██████████| 4/4 [00:00<00:00, 1440.60query/s]
   Downloading: 100%|██████████| 41/41 [00:02<00:00, 20.21rows/s]
   country_code      country_name    num_regions
   0   TR  Turkey         81
   1   TH  Thailand       77
   2   VN  Vietnam        63
   3   JP  Japan          47
   4   RO  Romania        42
   5   NG  Nigeria        37
   6   IN  India          36
   7   ID  Indonesia      34
   8   CO  Colombia       33
   9   MX  Mexico         32
   10  BR  Brazil         27
   11  EG  Egypt          27
   12  UA  Ukraine        27
   13  CH  Switzerland    26
   14  AR  Argentina      24
   15  FR  France         22
   16  SE  Sweden         21
   17  HU  Hungary        20
   18  IT  Italy          20
   19  PT  Portugal       20
   20  NO  Norway         19
   21  FI  Finland        18
   22  NZ  New Zealand    17
   23  PH  Philippines    17
   ...
   

   Nota: i risultati potrebbero essere diversi da quelli riportati sopra, in quanto il set di dati google_trends su cui viene eseguita la query viene aggiornato con nuovi dati in modo continuativo.

5. Nella cella successiva (sotto l'output della cella precedente), inserisci il seguente comando per eseguire la stessa query, ma questa volta salva i risultati in un nuovo DataFrame Pandas denominato regions_by_country. Fornisci questo nome utilizzando un argomento con il comando magico %%bigquery.

   %%bigquery regions_by_country
   SELECT
     country_code,
     country_name,
     COUNT(DISTINCT region_code) AS num_regions
   FROM
     `bigquery-public-data.google_trends.international_top_terms`
   WHERE
     refresh_date = DATE_SUB(CURRENT_DATE, INTERVAL 1 DAY)
   GROUP BY
     country_code, country_name
   ORDER BY
     num_regions DESC;

   Nota:per ulteriori informazioni sugli argomenti disponibili per il comando %%bigquery, consulta la documentazione sui comandi magici della libreria client.

6. Fai clic su  Esegui cella.

7. Nella cella successiva, inserisci il seguente comando per esaminare le prime righe dei risultati della query che hai appena letto:

   regions_by_country.head()
   

8. Fai clic su  Esegui cella.

   Il DataFrame pandas regions_by_country è pronto per il grafico.

Esegui query sui dati in un notebook utilizzando direttamente la libreria client BigQuery

In questa sezione utilizzerai la libreria client di BigQuery per Python direttamente per leggere i dati nel notebook Python.

La libreria client ti offre un maggiore controllo sulle query e ti consente di utilizzare configurazioni più complesse per query e job. Le integrazioni della libreria con pandas ti consentono di combinare la potenza dell'SQL dichiarativo con il codice imperativo (Python) per aiutarti ad analizzare, visualizzare e trasformare i dati.

Nota: puoi utilizzare una serie di librerie Python per l'analisi, la gestione e la visualizzazione dei dati, come numpy, pandas, matplotlib e molte altre. Molte di queste librerie sono basate su un oggetto DataFrame.

1. Nella cella successiva, inserisci il seguente codice Python per importare la libreria client di BigQuery per Python e inizializzare un client:

   from google.cloud import bigquery
   
   client = bigquery.Client()
   

   Il client BigQuery viene utilizzato per inviare e ricevere messaggi dall'API BigQuery.

2. Fai clic su  Esegui cella.

3. Nella cella successiva, inserisci il seguente codice per recuperare la percentuale di termini principali giornalieri negli Stati Uniti top_terms che si sovrappongono nel tempo in base al numero di giorni di distanza. L'idea è esaminare i termini principali di ogni giorno e vedere quale percentuale si sovrappone ai termini principali del giorno precedente, dei due giorni precedenti, dei tre giorni precedenti e così via (per tutte le coppie di date nell'arco di circa un mese).

   sql = """
   WITH
     TopTermsByDate AS (
       SELECT DISTINCT refresh_date AS date, term
       FROM `bigquery-public-data.google_trends.top_terms`
     ),
     DistinctDates AS (
       SELECT DISTINCT date
       FROM TopTermsByDate
     )
   SELECT
     DATE_DIFF(Dates2.date, Date1Terms.date, DAY)
       AS days_apart,
     COUNT(DISTINCT (Dates2.date || Date1Terms.date))
       AS num_date_pairs,
     COUNT(Date1Terms.term) AS num_date1_terms,
     SUM(IF(Date2Terms.term IS NOT NULL, 1, 0))
       AS overlap_terms,
     SAFE_DIVIDE(
       SUM(IF(Date2Terms.term IS NOT NULL, 1, 0)),
       COUNT(Date1Terms.term)
       ) AS pct_overlap_terms
   FROM
     TopTermsByDate AS Date1Terms
   CROSS JOIN
     DistinctDates AS Dates2
   LEFT JOIN
     TopTermsByDate AS Date2Terms
     ON
       Dates2.date = Date2Terms.date
       AND Date1Terms.term = Date2Terms.term
   WHERE
     Date1Terms.date <= Dates2.date
   GROUP BY
     days_apart
   
   ORDER BY
     days_apart;
   """
   pct_overlap_terms_by_days_apart = client.query(sql).to_dataframe()
   
   pct_overlap_terms_by_days_apart.head()

   Il codice SQL utilizzato viene incapsulato in una stringa Python e poi passato al metodo query() per eseguire una query. Il metodo to_dataframe attende il termine della query e scarica i risultati in un DataFrame Pandas utilizzando l'API BigQuery Storage.

4. Fai clic su  Esegui cella.

   Le prime righe dei risultati della query vengono visualizzate sotto la cella di codice.

      days_apart   num_date_pairs  num_date1_terms overlap_terms   pct_overlap_terms
    0          0             32               800            800            1.000000
    1          1             31               775            203            0.261935
    2          2             30               750             73            0.097333
    3          3             29               725             31            0.042759
    4          4             28               700             23            0.032857
   

   Nota: i risultati potrebbero essere diversi da quelli riportati sopra, in quanto il set di dati google_trends su cui viene eseguita la query viene aggiornato con nuovi dati in modo continuativo.

Per ulteriori informazioni sull'utilizzo delle librerie client di BigQuery, consulta la guida rapida Utilizzo delle librerie client.

Visualizzare i dati di BigQuery

In questa sezione, utilizzerai le funzionalità di rappresentazione grafica per visualizzare i risultati delle query eseguite in precedenza nel tuo Jupyter Notebook.

1. Nella cella successiva, inserisci il seguente codice per utilizzare il metodo pandas DataFrame.plot() per creare un grafico a barre che visualizzi i risultati della query che restituisce il numero di regioni per paese:

   regions_by_country.plot(kind="bar", x="country_name", y="num_regions", figsize=(15, 10))
   

2. Fai clic su  Esegui cella.

   Il grafico è simile al seguente:

   

3. Nella cella successiva, inserisci il seguente codice per utilizzare il metodo pandas DataFrame.plot() per creare un grafico a dispersione che visualizzi i risultati della query per la percentuale di sovrapposizione dei termini di ricerca principali con intervalli di giorni:

   pct_overlap_terms_by_days_apart.plot(
     kind="scatter",
     x="days_apart",
     y="pct_overlap_terms",
     s=len(pct_overlap_terms_by_days_apart["num_date_pairs"]) * 20,
     figsize=(15, 10)
     )
   

4. Fai clic su  Esegui cella.

   Il grafico è simile al seguente. Le dimensioni di ogni punto riflettono il numero di coppie di date distanti quel numero di giorni nei dati. Ad esempio, esistono più coppie con un giorno di distanza rispetto a 30 giorni perché i termini di ricerca più cercati vengono visualizzati quotidianamente nell'arco di circa un mese.

   

Per saperne di più sulla visualizzazione dei dati, consulta la documentazione di pandas.

Utilizza l'espressione magica %bigquery_stats per ottenere statistiche e visualizzazioni per tutte le colonne della tabella

In questa sezione utilizzerai una scorciatoia del notebook per ottenere statistiche di riepilogo e visualizzazioni per tutti i campi di una tabella BigQuery.

La libreria client BigQuery fornisce un comando magico,%bigquery_stats, che puoi chiamare con il nome di una tabella specifica per fornire una panoramica della tabella e statistiche dettagliate su ciascuna delle colonne della tabella.

1. Nella cella successiva, inserisci il seguente codice per eseguire l'analisi sulla tabella top_terms degli Stati Uniti:

   %bigquery_stats bigquery-public-data.google_trends.top_terms
   

2. Fai clic su  Esegui cella.

   Dopo l'esecuzione per un po' di tempo, viene visualizzata un'immagine con varie statistiche su ciascuna delle 7 variabili nella tabella top_terms. L'immagine seguente mostra parte di un output di esempio:

   

Nota: i risultati potrebbero essere diversi da quelli riportati sopra, in quanto il set di dati google_trends su cui viene eseguita la query viene aggiornato con nuovi dati in modo continuativo.

Visualizzare la cronologia delle query e riutilizzare le query

Per visualizzare la cronologia delle query come scheda in JupyterLab:

1. Nel menu di navigazione di JupyterLab, fai clic su  BigQuery in Notebooks per aprire il riquadro BigQuery.

2. Nel riquadro BigQuery, scorri verso il basso e fai clic su Cronologia delle query.

   

   In una nuova scheda si apre un elenco delle tue query, in cui puoi eseguire operazioni come:

   • Per visualizzare i dettagli di una query, ad esempio l'ID job, la data di esecuzione e il tempo impiegato, fai clic sulla query.
   • Per rivedere la query, eseguirla di nuovo o copiarla nel tuo notebook per usarla in futuro, fai clic su Apri query nell'editor.

Nota: se esegui query dopo aver aperto questa scheda, fai clic su  Aggiorna per visualizzare le query più recenti.

Salvare e scaricare il blocco note

In questa sezione, dopo aver ripulito le risorse utilizzate in questo tutorial, salvi il notebook e lo scarichi se vuoi utilizzarlo in futuro.

1. Seleziona File > Salva notebook.
2. Seleziona File > Scarica per scaricare una copia locale del tuo notebook come file IPYNB sul tuo computer.

Esegui la pulizia

Il modo più semplice per eliminare la fatturazione è eliminare il progetto Google Cloud che hai creato per questo tutorial.

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 URL appspot.com, 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

• Per scoprire di più sulla scrittura di query per BigQuery, consulta Eseguire job di query interattive e in batch.
• Per scoprire di più su Vertex AI Workbench, consulta Vertex AI Workbench.