1. نظرة عامة
في هذا البرنامج التدريبي، ستستخدم إطارات بيانات BigQuery من دفتر ملاحظات Python في BigQuery Studio لتنظيف مجموعة البيانات العامة لمبيعات الخمور في آيوا وتحليلها. استفِد من إمكانات BigQuery ML والدوالّ البعيدة لاكتشاف الإحصاءات.
ستنشئ دفتر ملاحظات Python لمقارنة المبيعات في المناطق الجغرافية المختلفة. ويمكن تعديل هذا الإجراء للعمل على أي بيانات منظَّمة.
الأهداف
في هذه الميزة الاختبارية، ستتعرّف على كيفية تنفيذ المهام التالية:
- تفعيل دفاتر ملاحظات Python واستخدامها في BigQuery Studio
- الربط بخدمة BigQuery باستخدام حزمة BigQuery DataFrames
- إنشاء انحدار خطي باستخدام BigQuery ML
- تنفيذ عمليات تجميع ودمج معقّدة باستخدام بنية جملة مألوفة مثل pandas
2. المتطلبات
قبل البدء
اتّباع التعليمات الواردة في هذا الدليل التعليمي حول رموز البرامج، ستحتاج إلى مشروع على Google Cloud تم تفعيل BigQuery Studio فيه وحساب فوترة مرتبط.
- في Google Cloud Console، اختَر مشروعًا على Google Cloud أو أنشِئه في صفحة أداة اختيار المشاريع.
- تأكَّد من تفعيل الفوترة لمشروعك على Google Cloud. تعرَّف على كيفية التحقّق مما إذا كانت الفوترة مفعَّلة في مشروع.
- اتّبِع التعليمات لتفعيل BigQuery Studio لإدارة مواد العرض.
إعداد BigQuery Studio
أنشئ دفتر ملاحظات فارغًا واربطه بوقت تشغيل.
- انتقِل إلى BigQuery Studio في Google Cloud Console.
- انقر على ▼ بجانب الزر +.
- اختَر دفتر ملاحظات Python.
- أغلِق أداة اختيار النماذج.
- انقر على + رمز لإنشاء خلية رمز جديدة.
- ثبِّت أحدث إصدار من حزمة BigQuery DataFrames من خلية الرمز البرمجي.اكتب الأمر التالي.
انقر على الزر تشغيل الخلية أو اضغط على Shift + Enter لتشغيل خلية الرمز البرمجي.%pip install --upgrade bigframes --quiet
3- قراءة مجموعة بيانات عامة
يمكنك إعداد حزمة BigQuery DataFrames من خلال تنفيذ ما يلي في خلية رمز جديدة:
import bigframes.pandas as bpd
bpd.options.bigquery.ordering_mode = "partial"
bpd.options.display.repr_mode = "deferred"
ملاحظة: في هذا الدليل التعليمي، نستخدم "وضع الترتيب الجزئي" التجريبي الذي يتيح إجراء طلبات بحث أكثر فعالية عند استخدامه مع الفلترة التي تشبه بانداس. قد لا تعمل بعض ميزات pandas التي تتطلّب ترتيبًا أو فهرسًا صارمًا.
التحقّق من إصدار حزمة bigframes
باستخدام
bpd.__version__
يتطلب هذا الدليل التعليمي الإصدار 1.27.0 أو إصدارًا أحدث.
مبيعات الخمور بالتجزئة في آيوا
تتوفّر مجموعة بيانات مبيعات الخمور بالتجزئة في آيوا على BigQuery من خلال برنامج مجموعات البيانات العامة في Google Cloud. تحتوي مجموعة البيانات هذه على كل عملية شراء بالجملة للخمور في ولاية أيوا من قِبل بائعي التجزئة لبيعها للأفراد منذ 1 كانون الثاني (يناير) 2012. تجمع البيانات إدارة المشروبات الكحولية في وزارة التجارة في آيوا.
في BigQuery، أدخِل طلب بحث عن bigquery-public-data.iowa_liquor_sales.sales لتحليل مبيعات الخمور بالتجزئة في آيوا. استخدِم الطريقة bigframes.pandas.read_gbq()
لإنشاء إطار بيانات من سلسلة طلب بحث أو رقم تعريف جدول.
شغِّل ما يلي في خلية رمز جديدة لإنشاء إطار بيانات باسم "df":
df = bpd.read_gbq_table("bigquery-public-data.iowa_liquor_sales.sales")
التعرّف على معلومات أساسية عن إطار البيانات
استخدِم طريقة DataFrame.peek()
لتنزيل عيّنة صغيرة من البيانات.
شغِّل هذه الخلية:
df.peek()
النتيجة المتوقّعة:
index invoice_and_item_number date store_number store_name ...
0 RINV-04620300080 2023-04-28 10197 SUNSHINE FOODS / HAWARDEN
1 RINV-04864800097 2023-09-25 2621 HY-VEE FOOD STORE #3 / SIOUX CITY
2 RINV-05057200028 2023-12-28 4255 FAREWAY STORES #058 / ORANGE CITY
3 ...
ملاحظة: تتطلّب head()
ترتيب البيانات، وهي بشكل عام أقل فعالية من peek()
إذا كنت تريد عرض نموذج للبيانات.
تمامًا كما هو الحال مع pandas، استخدِم السمة DataFrame.dtypes
للاطّلاع على جميع الأعمدة المتاحة وأنواع البيانات المقابلة لها. ويتم عرضها بطريقة متوافقة مع pandas.
شغِّل هذه الخلية:
df.dtypes
النتيجة المتوقّعة:
invoice_and_item_number string[pyarrow]
date date32[day][pyarrow]
store_number string[pyarrow]
store_name string[pyarrow]
address string[pyarrow]
city string[pyarrow]
zip_code string[pyarrow]
store_location geometry
county_number string[pyarrow]
county string[pyarrow]
category string[pyarrow]
category_name string[pyarrow]
vendor_number string[pyarrow]
vendor_name string[pyarrow]
item_number string[pyarrow]
item_description string[pyarrow]
pack Int64
bottle_volume_ml Int64
state_bottle_cost Float64
state_bottle_retail Float64
bottles_sold Int64
sale_dollars Float64
volume_sold_liters Float64
volume_sold_gallons Float64
dtype: object
تستعلم طريقة DataFrame.describe()
عن بعض الإحصاءات الأساسية من إطار البيانات. شغِّل DataFrame.to_pandas()
لتنزيل هذه الإحصاءات الموجزة كإطار بيانات pandas.
شغِّل هذه الخلية:
df.describe("all").to_pandas()
النتيجة المتوقّعة:
invoice_and_item_number date store_number store_name ...
nunique 30305765 <NA> 3158 3353 ...
std <NA> <NA> <NA> <NA> ...
mean <NA> <NA> <NA> <NA> ...
75% <NA> <NA> <NA> <NA> ...
25% <NA> <NA> <NA> <NA> ...
count 30305765 <NA> 30305765 30305765 ...
min <NA> <NA> <NA> <NA> ...
50% <NA> <NA> <NA> <NA> ...
max <NA> <NA> <NA> <NA> ...
9 rows × 24 columns
4. عرض البيانات وتنظيفها
توفّر مجموعة بيانات مبيعات الخمور بالتجزئة في آيوا معلومات جغرافية دقيقة، بما في ذلك أماكن متاجر البيع بالتجزئة. استخدِم هذه البيانات لتحديد المؤشرات والاختلافات في المناطق الجغرافية.
عرض المبيعات حسب الرمز البريدي
هناك العديد من طرق التمثيل البصري المضمّنة، مثل DataFrame.plot.hist(). استخدِم هذه الطريقة لمقارنة مبيعات الخمور حسب الرمز البريدي.
volume_by_zip = df.groupby("zip_code").agg({"volume_sold_liters": "sum"})
volume_by_zip.plot.hist(bins=20)
النتيجة المتوقّعة:
استخدِم رسمًا بيانيًا شريطيًا لمعرفة الرموز البريدية التي تم بيع أكبر قدر من الكحول فيها.
(
volume_by_zip
.sort_values("volume_sold_liters", ascending=False)
.head(25)
.to_pandas()
.plot.bar(rot=80)
)
النتيجة المتوقّعة:
تنظيف البيانات
تحتوي بعض الرموز البريدية على .0
في نهايتها. من المحتمل أنّه تم تحويل الرموز البريدية عن طريق الخطأ إلى قيم نقطية عائمة في مكان ما من مجموعة البيانات. استخدِم التعبيرات العادية لتنظيف الرموز البريدية وكرِّر التحليل.
df = (
bpd.read_gbq_table("bigquery-public-data.iowa_liquor_sales.sales")
.assign(
zip_code=lambda _: _["zip_code"].str.replace(".0", "")
)
)
volume_by_zip = df.groupby("zip_code").agg({"volume_sold_liters": "sum"})
(
volume_by_zip
.sort_values("volume_sold_liters", ascending=False)
.head(25)
.to_pandas()
.plot.bar(rot=80)
)
النتيجة المتوقّعة:
5- اكتشاف الارتباطات في المبيعات
لماذا تُحقّق بعض الرموز البريدية مبيعات أعلى من غيرها؟ إحدى الفرضيات هي أنّ ذلك يرجع إلى الاختلافات في عدد السكان. من المرجّح أن يبيع الرمز البريدي الذي يضم عددًا أكبر من السكان المزيد من الخمور.
يمكنك اختبار هذه الفرضية من خلال احتساب الارتباط بين عدد السكان وحجم مبيعات الخمور.
الربط بمجموعات بيانات أخرى
يمكنك دمج قاعدة بيانات للسكان، مثل مسح منطقة تجميع الرموز البريدية الذي يُجريه مكتب التعداد السكاني الأمريكي في "مسح المجتمع الأمريكي".
census_acs = bpd.read_gbq_table("bigquery-public-data.census_bureau_acs.zcta_2020_5yr")
يحدِّد استطلاع American Community Survey الولايات حسب مفتاح GEOID. في ما يتعلّق بمناطق تجميع الرموز البريدية، يكون مفتاح GEOID مساويًا للرمز البريدي.
volume_by_pop = volume_by_zip.join(
census_acs.set_index("geo_id")
)
أنشئ رسمًا بيانيًا خطيًا للمقارنة بين أعداد السكان في منطقة ترميز الرمز البريدي وعدد لترات الكحول المُباعة.
(
volume_by_pop[["volume_sold_liters", "total_pop"]]
.to_pandas()
.plot.scatter(x="total_pop", y="volume_sold_liters")
)
النتيجة المتوقّعة:
احتساب الارتباطات
يبدو المؤشر خطيًا تقريبًا. يمكنك استخدام نموذج انحدار خطي للتحقّق من مدى قدرة عدد السكان على توقّع مبيعات الخمور.
from bigframes.ml.linear_model import LinearRegression
feature_columns = volume_by_pop[["total_pop"]]
label_columns = volume_by_pop[["volume_sold_liters"]]
# Create the linear model
model = LinearRegression()
model.fit(feature_columns, label_columns)
يمكنك التحقّق من مدى ملاءمة النموذج باستخدام طريقة score
.
model.score(feature_columns, label_columns).to_pandas()
نموذج للناتج:
mean_absolute_error mean_squared_error mean_squared_log_error median_absolute_error r2_score explained_variance
0 245065.664095 224398167097.364288 5.595021 178196.31289 0.380096 0.380096
ارسم خط أفضل توافق، ولكن استخدِم الدالة predict
على نطاق من قيم الكثافة السكانية.
import matplotlib.pyplot as pyplot
import numpy as np
import pandas as pd
line = pd.Series(np.arange(0, 50_000), name="total_pop")
predictions = model.predict(line).to_pandas()
zips = volume_by_pop[["volume_sold_liters", "total_pop"]].to_pandas()
pyplot.scatter(zips["total_pop"], zips["volume_sold_liters"])
pyplot.plot(
line,
predictions.sort_values("total_pop")["predicted_volume_sold_liters"],
marker=None,
color="red",
)
النتيجة المتوقّعة:
معالجة التباين العشوائي
يبدو أنّ البيانات في الرسم البياني السابق غير متجانسة. يزداد التباين حول خط أفضل الملاءمة مع زيادة عدد القيم.
ربما تكون كمية الكحول التي يتم شراؤها لكل شخص ثابتة نسبيًا.
volume_per_pop = (
volume_by_pop[volume_by_pop['total_pop'] > 0]
.assign(liters_per_pop=lambda df: df["volume_sold_liters"] / df["total_pop"])
)
(
volume_per_pop[["liters_per_pop", "total_pop"]]
.to_pandas()
.plot.scatter(x="total_pop", y="liters_per_pop")
)
النتيجة المتوقّعة:
يمكنك احتساب متوسط ليترات الكحول التي تم شراؤها بطريقتَين مختلفتَين:
- ما هو متوسط كمية الكحول التي يتم شراؤها لكل شخص في آيوا؟
- ما هو متوسّط كمية الكحول التي يتم شراؤها لكل شخص في جميع الرموز البريدية؟
في (1)، يعرض مقدار الكحول الذي يتم شراؤه في الولاية بأكملها. في (2)، يعرض متوسط الرمز البريدي، والذي لن يكون بالضرورة مطابقًا للقيمة (1) لأنّ الرموز البريدية المختلفة تضم مجموعات سكانية مختلفة.
df = (
bpd.read_gbq_table("bigquery-public-data.iowa_liquor_sales.sales")
.assign(
zip_code=lambda _: _["zip_code"].str.replace(".0", "")
)
)
census_state = bpd.read_gbq(
"bigquery-public-data.census_bureau_acs.state_2020_5yr",
index_col="geo_id",
)
volume_per_pop_statewide = (
df['volume_sold_liters'].sum()
/ census_state["total_pop"].loc['19']
)
volume_per_pop_statewide
النتيجة المتوقّعة: 87.997
average_per_zip = volume_per_pop["liters_per_pop"].mean()
average_per_zip
النتيجة المتوقّعة: 67.139
ارسم هذه المتوسطات، كما هو موضّح أعلاه.
import numpy as np
import pandas as pd
from matplotlib import pyplot
line = pd.Series(np.arange(0, 50_000), name="total_pop")
zips = volume_per_pop[["liters_per_pop", "total_pop"]].to_pandas()
pyplot.scatter(zips["total_pop"], zips["liters_per_pop"])
pyplot.plot(line, np.full(line.shape, volume_per_pop_statewide), marker=None, color="magenta")
pyplot.plot(line, np.full(line.shape, average_per_zip), marker=None, color="red")
النتيجة المتوقّعة:
لا تزال هناك بعض الرموز البريدية التي تُعدّ قيمًا شاذة كبيرة جدًا، خاصةً في المناطق التي يقلّ فيها عدد السكان. نترك لك مهمة وضع فرضيات حول سبب ذلك. على سبيل المثال، قد يكون عدد السكان في بعض الرموز البريدية منخفضًا ولكنّ معدّل الاستهلاك مرتفع لأنّها تحتوي على متجر الخمور الوحيد في المنطقة. إذا كان الأمر كذلك، قد يؤدي احتساب عدد السكان استنادًا إلى الرموز البريدية المحيطة إلى استبعاد هذه القيم الشاذة.
6- مقارنة أنواع الخمور المُباعة
بالإضافة إلى البيانات الجغرافية، تحتوي قاعدة بيانات مبيعات الخمور بالتجزئة في آيوا أيضًا على معلومات مفصّلة عن السلعة المُباعة. من خلال تحليل هذه البيانات، يمكننا ربما الكشف عن الاختلافات في الأذواق على مستوى المناطق الجغرافية.
عرض الفئات
يتم تصنيف العناصر في قاعدة البيانات. كم عدد الفئات؟
import bigframes.pandas as bpd
bpd.options.bigquery.ordering_mode = "partial"
bpd.options.display.repr_mode = "deferred"
df = bpd.read_gbq_table("bigquery-public-data.iowa_liquor_sales.sales")
df.category_name.nunique()
النتيجة المتوقّعة: 103
ما هي الفئات الأكثر رواجًا حسب الحجم؟
counts = (
df.groupby("category_name")
.agg({"volume_sold_liters": "sum"})
.sort_values(["volume_sold_liters"], ascending=False)
.to_pandas()
)
counts.head(25).plot.bar(rot=80)
العمل مع نوع البيانات ARRAY
تتوفّر عدة فئات لكل من الويسكي والروم والفودكا وغيرها. أريد تجميع هذه العناصر معًا بطريقة ما.
ابدأ بتقسيم أسماء الفئات إلى كلمات منفصلة باستخدام الطريقة Series.str.split(). أزِل الصفيف الذي تم إنشاؤه باستخدام الطريقة explode()
.
category_parts = df.category_name.str.split(" ").explode()
counts = (
category_parts
.groupby(category_parts)
.size()
.sort_values(ascending=False)
.to_pandas()
)
counts.head(25).plot.bar(rot=80)
category_parts.nunique()
النتيجة المتوقّعة: 113
عند الاطّلاع على الرسم البياني أعلاه، لا تزال البيانات تعرض VODKA منفصلة عن VODKAS. يجب إجراء المزيد من التجميع لتصغير الفئات إلى مجموعة أصغر.
7- استخدام NLTK مع إطارات بيانات BigQuery
مع توفّر 100 فئة تقريبًا فقط، سيكون من الممكن كتابة بعض الأساليب الاستقرائية أو حتى إنشاء تعيين يدوي من الفئة إلى نوع الخمور الأوسع نطاقًا. بدلاً من ذلك، يمكن استخدام نموذج لغوي كبير مثل Gemini لإنشاء عملية ربط مماثلة. جرِّب دورة تعلم البرمجة الحصول على إحصاءات من البيانات غير المنظَّمة باستخدام إطارات بيانات BigQuery لاستخدام إطارات بيانات BigQuery مع Gemini.
بدلاً من ذلك، استخدِم حزمة معالجة لغة طبيعية أكثر تقليدية، وهي NLTK، لمعالجة هذه البيانات. على سبيل المثال، يمكن أن تدمج تقنية تُعرف باسم "المورّد" الأسماء المفرد والمتعدّد في القيمة نفسها.
استخدام حزمة NLTK لإزالة البادئات واللواحق من الكلمات
توفّر حزمة NLTK طرق معالجة اللغات الطبيعية التي يمكن الوصول إليها من خلال Python. ثبِّت الحزمة لتجربتها.
%pip install nltk
بعد ذلك، استورِد الحزمة. فحص الإصدار وسيتم استخدامه لاحقًا في البرنامج التعليمي.
import nltk
nltk.__version__
إحدى طرق توحيد الكلمات من أجل "تجذيرها" يؤدي ذلك إلى إزالة أي لاحقات، مثل "s" في صيغة الجمع.
def stem(word: str) -> str:
# https://www.nltk.org/howto/stem.html
import nltk.stem.snowball
# Avoid failure if a NULL is passed in.
if not word:
return word
stemmer = nltk.stem.snowball.SnowballStemmer("english")
return stemmer.stem(word)
جرِّب ذلك مع بضع كلمات.
stem("WHISKEY")
النتيجة المتوقّعة: whiskey
stem("WHISKIES")
النتيجة المتوقّعة: whiski
لسوء الحظ، لم يؤدّ ذلك إلى ربط أنواع الويسكي بأنواع الويسكي نفسها. لا تعمل أدوات تحليل الجذور بشكل جيد مع الجموع غير المنتظمة. جرِّب استخدام أداة لتحليل الجذور، وهي أداة تستخدِم أساليب أكثر تعقيدًا لتحديد الكلمة الأساسية، والتي تُعرف باسم "الجذر".
def lemmatize(word: str) -> str:
# https://stackoverflow.com/a/18400977/101923
# https://www.nltk.org/api/nltk.stem.wordnet.html#module-nltk.stem.wordnet
import nltk
import nltk.stem.wordnet
# Avoid failure if a NULL is passed in.
if not word:
return word
nltk.download('wordnet')
wnl = nltk.stem.wordnet.WordNetLemmatizer()
return wnl.lemmatize(word.lower())
جرِّب ذلك مع بضع كلمات.
lemmatize("WHISKIES")
النتيجة المتوقّعة: whisky
lemmatize("WHISKY")
النتيجة المتوقّعة: whisky
lemmatize("WHISKEY")
النتيجة المتوقّعة: whiskey
لا يربط هذا المعرِّف اللفظي كلمة "ويسكي" بالبنية اللفظية نفسها التي ترتبط بها كلمة "ويسكيهات". بما أنّ هذه الكلمة مهمة بشكل خاص لقاعدة بيانات مبيعات الخمور بالتجزئة في آيوا، يمكنك ربطها يدويًا بالطريقة الأمريكية باستخدام قاموس.
def lemmatize(word: str) -> str:
# https://stackoverflow.com/a/18400977/101923
# https://www.nltk.org/api/nltk.stem.wordnet.html#module-nltk.stem.wordnet
import nltk
import nltk.stem.wordnet
# Avoid failure if a NULL is passed in.
if not word:
return word
nltk.download('wordnet')
wnl = nltk.stem.wordnet.WordNetLemmatizer()
lemma = wnl.lemmatize(word.lower())
table = {
"whisky": "whiskey", # Use the American spelling.
}
return table.get(lemma, lemma)
جرِّب ذلك مع بضع كلمات.
lemmatize("WHISKIES")
النتيجة المتوقّعة: whiskey
lemmatize("WHISKEY")
النتيجة المتوقّعة: whiskey
تهانينا! من المفترض أن يعمل أداة تحليل الجذور هذه بشكل جيد لتضييق نطاق الفئات. لاستخدامه مع BigQuery، يجب نشره على السحابة الإلكترونية.
إعداد مشروعك لنشر الدوالّ
قبل نشر هذا الإجراء في السحابة الإلكترونية كي تتمكّن خدمة BigQuery من الوصول إلى هذه الوظيفة، عليك إجراء بعض عمليات الإعداد لمرة واحدة.
أنشئ خلية رمز جديدة واستبدِل your-project-id
بمعرّف مشروع Google Cloud الذي تستخدمه في هذا الدليل التعليمي.
project_id = "your-project-id"
أنشئ حساب خدمة بدون أي أذونات، لأنّ هذه الدالة لا تحتاج إلى الوصول إلى أي موارد في السحابة الإلكترونية.
from google.cloud import iam_admin_v1
from google.cloud.iam_admin_v1 import types
iam_admin_client = iam_admin_v1.IAMClient()
request = types.CreateServiceAccountRequest()
account_id = "bigframes-no-permissions"
request.account_id = account_id
request.name = f"projects/{project_id}"
display_name = "bigframes remote function (no permissions)"
service_account = types.ServiceAccount()
service_account.display_name = display_name
request.service_account = service_account
account = iam_admin_client.create_service_account(request=request)
print(account.email)
النتيجة المتوقّعة: bigframes-no-permissions@your-project-id.iam.gserviceaccount.com
أنشئ مجموعة بيانات BigQuery لتضمين الدالة.
from google.cloud import bigquery
bqclient = bigquery.Client(project=project_id)
dataset = bigquery.Dataset(f"{project_id}.functions")
bqclient.create_dataset(dataset, exists_ok=True)
نشر دالة عن بُعد
فعِّل واجهة برمجة التطبيقات Cloud Functions API إذا لم يسبق لك تفعيلها.
!gcloud services enable cloudfunctions.googleapis.com
الآن، عليك نشر الدالة في مجموعة البيانات التي أنشأتها للتو. أضِف زخرفة @bpd.remote_function
إلى الدالة التي أنشأتها في الخطوات السابقة.
@bpd.remote_function(
dataset=f"{project_id}.functions",
name="lemmatize",
# TODO: Replace this with your version of nltk.
packages=["nltk==3.9.1"],
cloud_function_service_account=f"bigframes-no-permissions@{project_id}.iam.gserviceaccount.com",
cloud_function_ingress_settings="internal-only",
)
def lemmatize(word: str) -> str:
# https://stackoverflow.com/a/18400977/101923
# https://www.nltk.org/api/nltk.stem.wordnet.html#module-nltk.stem.wordnet
import nltk
import nltk.stem.wordnet
# Avoid failure if a NULL is passed in.
if not word:
return word
nltk.download('wordnet')
wnl = nltk.stem.wordnet.WordNetLemmatizer()
lemma = wnl.lemmatize(word.lower())
table = {
"whisky": "whiskey", # Use the American spelling.
}
return table.get(lemma, lemma)
من المفترض أن تستغرق عملية النشر دقيقتَين تقريبًا.
استخدام وظائف جهاز التحكّم عن بُعد
بعد اكتمال عملية النشر، يمكنك اختبار هذه الدالة.
lemmatize = bpd.read_gbq_function(f"{project_id}.functions.lemmatize")
words = bpd.Series(["whiskies", "whisky", "whiskey", "vodkas", "vodka"])
words.apply(lemmatize).to_pandas()
النتيجة المتوقّعة:
0 whiskey
1 whiskey
2 whiskey
3 vodka
4 vodka
dtype: string
8. مقارنة استهلاك الكحول حسب المقاطعة
والآن بعد توفّر الدالة lemmatize
، استخدِمها لدمج الفئات.
العثور على الكلمة التي تلخّص الفئة على أفضل نحو
أولاً، أنشئ إطار بيانات لجميع الفئات في قاعدة البيانات.
df = bpd.read_gbq_table("bigquery-public-data.iowa_liquor_sales.sales")
categories = (
df['category_name']
.groupby(df['category_name'])
.size()
.to_frame()
.rename(columns={"category_name": "total_orders"})
.reset_index(drop=False)
)
categories.to_pandas()
النتيجة المتوقّعة:
category_name total_orders
0 100 PROOF VODKA 99124
1 100% AGAVE TEQUILA 724374
2 AGED DARK RUM 59433
3 AMARETTO - IMPORTED 102
4 AMERICAN ALCOHOL 24351
... ... ...
98 WATERMELON SCHNAPPS 17844
99 WHISKEY LIQUEUR 1442732
100 WHITE CREME DE CACAO 7213
101 WHITE CREME DE MENTHE 2459
102 WHITE RUM 436553
103 rows × 2 columns
بعد ذلك، أنشئ إطار بيانات يتضمّن كل الكلمات في الفئات، باستثناء بعض الكلمات التي تُستخدَم ككلمات تملأ الفراغ، مثل علامات الترقيم و "العنصر".
words = (
categories.assign(
words=categories['category_name']
.str.lower()
.str.split(" ")
)
.assign(num_words=lambda _: _['words'].str.len())
.explode("words")
.rename(columns={"words": "word"})
)
words = words[
# Remove punctuation and "item", unless it's the only word
(words['word'].str.isalnum() & ~(words['word'].str.startswith('item')))
| (words['num_words'] == 1)
]
words.to_pandas()
النتيجة المتوقّعة:
category_name total_orders word num_words
0 100 PROOF VODKA 99124 100 3
1 100 PROOF VODKA 99124 proof 3
2 100 PROOF VODKA 99124 vodka 3
... ... ... ... ...
252 WHITE RUM 436553 white 2
253 WHITE RUM 436553 rum 2
254 rows × 4 columns
يُرجى العلم أنّه من خلال تحليل الجذر بعد التجميع، يمكنك تقليل الضغط على Cloud Function. من الممكن تطبيق دالة lemmatize على كل مليون صف في قاعدة البيانات، ولكنّ ذلك سيكلف أكثر من تطبيقها بعد التجميع وقد يتطلّب زيادة الحصة.
lemmas = words.assign(lemma=lambda _: _["word"].apply(lemmatize))
lemmas.to_pandas()
النتيجة المتوقّعة:
category_name total_orders word num_words lemma
0 100 PROOF VODKA 99124 100 3 100
1 100 PROOF VODKA 99124 proof 3 proof
2 100 PROOF VODKA 99124 vodka 3 vodka
... ... ... ... ... ...
252 WHITE RUM 436553 white 2 white
253 WHITE RUM 436553 rum 2 rum
254 rows × 5 columns
بعد أن تمّت تحليل الكلمات إلى جذورها، عليك اختيار الجذر الذي يلخّص الفئة على أفضل نحو. بما أنّه لا تتوفّر العديد من الكلمات الوظيفية في الفئات، استخدِم المنهج التجريبي الذي ينصّ على أنّه إذا كانت الكلمة تظهر في فئات متعددة أخرى، من المرجّح أن تكون أفضل ككلمة تلخيصية (مثل "ويسكي").
lemma_counts = (
lemmas
.groupby("lemma", as_index=False)
.agg({"total_orders": "sum"})
.rename(columns={"total_orders": "total_orders_with_lemma"})
)
categories_with_lemma_counts = lemmas.merge(lemma_counts, on="lemma")
max_lemma_count = (
categories_with_lemma_counts
.groupby("category_name", as_index=False)
.agg({"total_orders_with_lemma": "max"})
.rename(columns={"total_orders_with_lemma": "max_lemma_count"})
)
categories_with_max = categories_with_lemma_counts.merge(
max_lemma_count,
on="category_name"
)
categories_mapping = categories_with_max[
categories_with_max['total_orders_with_lemma'] == categories_with_max['max_lemma_count']
].groupby("category_name", as_index=False).max()
categories_mapping.to_pandas()
النتيجة المتوقّعة:
category_name total_orders word num_words lemma total_orders_with_lemma max_lemma_count
0 100 PROOF VODKA 99124 vodka 3 vodka 7575769 7575769
1 100% AGAVE TEQUILA 724374 tequila 3 tequila 1601092 1601092
2 AGED DARK RUM 59433 rum 3 rum 3226633 3226633
... ... ... ... ... ... ... ...
100 WHITE CREME DE CACAO 7213 white 4 white 446225 446225
101 WHITE CREME DE MENTHE 2459 white 4 white 446225 446225
102 WHITE RUM 436553 rum 2 rum 3226633 3226633
103 rows × 7 columns
الآن بعد أن أصبح لديك صيغة مفردة تلخص كل فئة، يمكنك دمجها مع إطار البيانات الأصلي.
df_with_lemma = df.merge(
categories_mapping,
on="category_name",
how="left"
)
df_with_lemma[df_with_lemma['category_name'].notnull()].peek()
النتيجة المتوقّعة:
invoice_and_item_number ... lemma total_orders_with_lemma max_lemma_count
0 S30989000030 ... vodka 7575769 7575769
1 S30538800106 ... vodka 7575769 7575769
2 S30601200013 ... vodka 7575769 7575769
3 S30527200047 ... vodka 7575769 7575769
4 S30833600058 ... vodka 7575769 7575769
5 rows × 30 columns
مقارنة المقاطعات
قارِن المبيعات في كل مقاطعة لمعرفة الاختلافات.
county_lemma = (
df_with_lemma
.groupby(["county", "lemma"])
.agg({"volume_sold_liters": "sum"})
# Cast to an integer for more deterministic equality comparisons.
.assign(volume_sold_int64=lambda _: _['volume_sold_liters'].astype("Int64"))
)
العثور على المنتج (البنية الأساسية) الأكثر مبيعًا في كل مقاطعة
county_max = (
county_lemma
.reset_index(drop=False)
.groupby("county")
.agg({"volume_sold_int64": "max"})
)
county_max_lemma = county_lemma[
county_lemma["volume_sold_int64"] == county_max["volume_sold_int64"]
]
county_max_lemma.to_pandas()
النتيجة المتوقّعة:
volume_sold_liters volume_sold_int64
county lemma
SCOTT vodka 6044393.1 6044393
APPANOOSE whiskey 292490.44 292490
HAMILTON whiskey 329118.92 329118
... ... ... ...
WORTH whiskey 100542.85 100542
MITCHELL vodka 158791.94 158791
RINGGOLD whiskey 65107.8 65107
101 rows × 2 columns
ما هي أوجه الاختلاف بين المقاطعات؟
county_max_lemma.groupby("lemma").size().to_pandas()
النتيجة المتوقّعة:
lemma
american 1
liqueur 1
vodka 15
whiskey 83
dtype: Int64
في معظم المقاطعات، يُعدّ الويسكي المنتج الأكثر رواجًا من حيث الحجم، بينما يُعدّ الفودكا الأكثر رواجًا في 15 مقاطعة. قارِن ذلك بأنواع الخمور الأكثر رواجًا على مستوى الولاية.
total_liters = (
df_with_lemma
.groupby("lemma")
.agg({"volume_sold_liters": "sum"})
.sort_values("volume_sold_liters", ascending=False)
)
total_liters.to_pandas()
النتيجة المتوقّعة:
volume_sold_liters
lemma
vodka 85356422.950001
whiskey 85112339.980001
rum 33891011.72
american 19994259.64
imported 14985636.61
tequila 12357782.37
cocktails/rtd 7406769.87
...
يُستهلك الويسكي والفودكا بكميات متقاربة تقريبًا، مع أنّ الفودكا تُستهلك بكميات أكبر قليلاً من الويسكي على مستوى الولاية.
مقارنة النِسب
ما هي الخصائص الفريدة للمبيعات في كل مقاطعة؟ ما الذي يميّز المقاطعة عن بقية الولاية؟
استخدِم مقياس h الخاص بـ Cohen لمعرفة أحجام مبيعات الخمور التي تختلف بشكل نسبي عن المتوقع استنادًا إلى نسبة المبيعات على مستوى الولاية.
import numpy as np
total_proportions = total_liters / total_liters.sum()
total_phi = 2 * np.arcsin(np.sqrt(total_proportions))
county_liters = df_with_lemma.groupby(["county", "lemma"]).agg({"volume_sold_liters": "sum"})
county_totals = df_with_lemma.groupby(["county"]).agg({"volume_sold_liters": "sum"})
county_proportions = county_liters / county_totals
county_phi = 2 * np.arcsin(np.sqrt(county_proportions))
cohens_h = (
(county_phi - total_phi)
.rename(columns={"volume_sold_liters": "cohens_h"})
.assign(cohens_h_int=lambda _: (_['cohens_h'] * 1_000_000).astype("Int64"))
)
بعد قياس مقياس h الخاص بـ Cohen لكلّ جذع كلمة، ابحث عن أكبر فرق عن النسبة على مستوى الولاية في كلّ مقاطعة.
# Note: one might want to use the absolute value here if interested in counties
# that drink _less_ of a particular liquor than expected.
largest_per_county = cohens_h.groupby("county").agg({"cohens_h_int": "max"})
counties = cohens_h[cohens_h['cohens_h_int'] == largest_per_county["cohens_h_int"]]
counties.sort_values('cohens_h', ascending=False).to_pandas()
النتيجة المتوقّعة:
cohens_h cohens_h_int
county lemma
EL PASO liqueur 1.289667 1289667
ADAMS whiskey 0.373591 373590
IDA whiskey 0.306481 306481
OSCEOLA whiskey 0.295524 295523
PALO ALTO whiskey 0.293697 293696
... ... ... ...
MUSCATINE rum 0.053757 53757
MARION rum 0.053427 53427
MITCHELL vodka 0.048212 48212
WEBSTER rum 0.044896 44895
CERRO GORDO cocktails/rtd 0.027496 27495
100 rows × 2 columns
كلما زادت قيمة h لـ Cohen، زاد احتمال وجود فرق ذي دلالة إحصائية في كمية هذا النوع من الكحول المستهلكة مقارنةً بمتوسّطات الولاية. بالنسبة إلى القيم الموجبة الأصغر، يختلف الفرق في الاستهلاك عن المتوسط على مستوى الولاية، ولكن قد يرجع ذلك إلى اختلافات عشوائية.
ملاحظة: يبدو أنّ مقاطعة إل باسو ليست مقاطعة في آيوا، ما قد يشير إلى الحاجة إلى تنظيف البيانات مرة أخرى قبل الاعتماد على هذه النتائج بالكامل.
عرض المقاطعات
يمكنك الانضمام إلى جدول bigquery-public-data.geo_us_boundaries.counties
للحصول على المنطقة الجغرافية لكل مقاطعة. إنّ أسماء المقاطعات ليست فريدة في جميع أنحاء الولايات المتحدة، لذا عليك الفلترة لتضمين المقاطعات من آيوا فقط. رمز FIPS الخاص بولاية آيوا هو "19".
counties_geo = (
bpd.read_gbq("bigquery-public-data.geo_us_boundaries.counties")
.assign(county=lambda _: _['county_name'].str.upper())
)
counties_plus = (
counties
.reset_index(drop=False)
.merge(counties_geo[counties_geo['state_fips_code'] == '19'], on="county", how="left")
.dropna(subset=["county_geom"])
.to_pandas()
)
counties_plus
النتيجة المتوقّعة:
county lemma cohens_h cohens_h_int geo_id state_fips_code ...
0 ALLAMAKEE american 0.087931 87930 19005 19 ...
1 BLACK HAWK american 0.106256 106256 19013 19 ...
2 WINNESHIEK american 0.093101 93101 19191 19 ...
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
96 CLINTON tequila 0.075708 75707 19045 19 ...
97 POLK tequila 0.087438 87438 19153 19 ...
98 LEE schnapps 0.064663 64663 19111 19 ...
99 rows × 23 columns
استخدِم GeoPandas لعرض هذه الاختلافات على الخريطة.
import geopandas
counties_plus = geopandas.GeoDataFrame(counties_plus, geometry="county_geom")
# https://stackoverflow.com/a/42214156/101923
ax = counties_plus.plot(figsize=(14, 14))
counties_plus.apply(
lambda row: ax.annotate(
text=row['lemma'],
xy=row['county_geom'].centroid.coords[0],
ha='center'
),
axis=1,
)
9. تَنظيم
إذا أنشأت مشروعًا جديدًا على Google Cloud لهذا الدليل التعليمي، يمكنك حذفه لمنع تحصيل رسوم إضافية مقابل الجداول أو الموارد الأخرى التي تم إنشاؤها.
بدلاً من ذلك، يمكنك حذف وظائف Cloud وحسابات الخدمات ومجموعات البيانات التي تم إنشاؤها لهذا الدليل التعليمي.
10. تهانينا!
لقد نظّفت البيانات المنظَّمة وحلّلتها باستخدام إطارات بيانات BigQuery. خلال هذه الرحلة، استكشَفت مجموعات البيانات المتاحة للجميع في Google Cloud، ودفاتر ملاحظات Python في BigQuery Studio، وBigQuery ML، وBigQuery Remote Functions، ومدى فعالية BigQuery DataFrames. أحسنت!
الخطوات التالية
- طبِّق هذه الخطوات على بيانات أخرى، مثل قاعدة بيانات الأسماء في الولايات المتحدة.
- جرِّب إنشاء رمز Python في دفتر ملاحظاتك. تستند أوراق ملاحظات Python في BigQuery Studio إلى Colab Enterprise. ملاحظة: أجد أنّ طلب المساعدة في إنشاء بيانات اختبارية مفيد جدًا.
- استكشِف نماذج دفاتر البيانات لإطارات بيانات BigQuery على GitHub.
- أنشئ جدولاً زمنيًا لتشغيل دفتر ملاحظات في BigQuery Studio.
- يمكنك نشر دالة عن بُعد باستخدام إطارات بيانات BigQuery لدمج حِزم Python التابعة لجهات خارجية مع BigQuery.