BigQuery DataFrames প্যাকেজ ব্যবহার করে আইওয়া মদের বিক্রয়ের অনুসন্ধানমূলক ডেটা বিশ্লেষণ

১. সংক্ষিপ্ত বিবরণ

এই ল্যাবে, আপনি BigQuery Studio-তে একটি পাইথন নোটবুক থেকে BigQuery DataFrames ব্যবহার করে Iowa liquor sales public ডেটাসেটটি পরিষ্করণ ও বিশ্লেষণ করবেন। ইনসাইট আবিষ্কার করতে BigQuery ML এবং remote function-এর সক্ষমতা কাজে লাগান।

আপনি বিভিন্ন ভৌগোলিক অঞ্চলের বিক্রয় তুলনা করার জন্য একটি পাইথন নোটবুক তৈরি করবেন। এটি যেকোনো স্ট্রাকচার্ড ডেটার ওপর কাজ করার জন্য অভিযোজিত করা যেতে পারে।

উদ্দেশ্য

এই ল্যাবে, আপনি নিম্নলিখিত কাজগুলো কীভাবে সম্পাদন করতে হয় তা শিখবেন:

  • BigQuery Studio-তে পাইথন নোটবুক সক্রিয় করুন এবং ব্যবহার করুন।
  • BigQuery DataFrames প্যাকেজ ব্যবহার করে BigQuery-এর সাথে সংযোগ করুন
  • BigQuery ML ব্যবহার করে একটি লিনিয়ার রিগ্রেশন তৈরি করুন।
  • পরিচিত পান্ডাস-সদৃশ সিনট্যাক্স ব্যবহার করে জটিল অ্যাগ্রিগেশন এবং জয়েন সম্পাদন করুন।

২. প্রয়োজনীয়তা

শুরু করার আগে

এই কোডল্যাবের নির্দেশাবলী অনুসরণ করার জন্য, আপনার BigQuery Studio সক্রিয় করা একটি Google Cloud Project এবং একটি সংযুক্ত বিলিং অ্যাকাউন্ট প্রয়োজন হবে।

  1. গুগল ক্লাউড কনসোলের প্রজেক্ট সিলেক্টর পেজে, একটি গুগল ক্লাউড প্রজেক্ট নির্বাচন করুন বা তৈরি করুন।
  2. আপনার গুগল ক্লাউড প্রোজেক্টের জন্য বিলিং চালু আছে কিনা তা নিশ্চিত করুন। কোনো প্রোজেক্টে বিলিং চালু আছে কিনা তা কীভাবে পরীক্ষা করবেন তা জানুন।
  3. অ্যাসেট ম্যানেজমেন্টের জন্য BigQuery Studio সক্রিয় করতে নির্দেশাবলী অনুসরণ করুন।

BigQuery Studio প্রস্তুত করুন

একটি খালি নোটবুক তৈরি করুন এবং এটিকে রানটাইমের সাথে সংযুক্ত করুন।

  1. গুগল ক্লাউড কনসোলে BigQuery Studio- তে যান।
  2. + বাটনের পাশে থাকা ▼ চিহ্নটিতে ক্লিক করুন।
  3. পাইথন নোটবুক নির্বাচন করুন।
  4. টেমপ্লেট নির্বাচকটি বন্ধ করুন।
  5. নতুন কোড সেল তৈরি করতে + কোড নির্বাচন করুন।
  6. কোড সেল থেকে BigQuery DataFrames প্যাকেজের সর্বশেষ সংস্করণটি ইনস্টল করতে নিম্নলিখিত কমান্ডটি টাইপ করুন।
    %pip install --upgrade bigframes --quiet
    কোড সেলটি রান করতে রান সেল বাটনে ক্লিক করুন অথবা Shift + Enter চাপুন।

৩. একটি পাবলিক ডেটাসেট পড়ুন

একটি নতুন কোড সেলে নিম্নলিখিতটি চালিয়ে BigQuery DataFrames প্যাকেজটি ইনিশিয়ালাইজ করুন:

import bigframes.pandas as bpd

bpd.options.bigquery.ordering_mode = "partial"
bpd.options.display.repr_mode = "deferred"

দ্রষ্টব্য: এই টিউটোরিয়ালে আমরা পরীক্ষামূলক 'পার্শিয়াল অর্ডারিং মোড' ব্যবহার করছি, যা পান্ডাস-সদৃশ ফিল্টারিংয়ের সাথে ব্যবহার করলে আরও কার্যকর কোয়েরি করতে সাহায্য করে। পান্ডাসের কিছু ফিচার, যেগুলোর জন্য কঠোর অর্ডারিং বা ইনডেক্স প্রয়োজন, সেগুলো কাজ নাও করতে পারে।

আপনার bigframes প্যাকেজ সংস্করণটি যাচাই করুন

bpd.__version__

এই টিউটোরিয়ালটির জন্য ভার্সন ১.২৭.০ বা তার পরবর্তী সংস্করণ প্রয়োজন।

আইওয়া মদের খুচরা বিক্রয়

আইওয়া মদের খুচরা বিক্রয় ডেটাসেটটি গুগল ক্লাউডের পাবলিক ডেটাসেট প্রোগ্রামের মাধ্যমে বিগকোয়েরিতে সরবরাহ করা হয়েছে। এই ডেটাসেটটিতে ১ জানুয়ারী, ২০১২ থেকে আইওয়া রাজ্যে খুচরা বিক্রেতাদের দ্বারা ব্যক্তিদের কাছে বিক্রয়ের জন্য মদের প্রতিটি পাইকারি ক্রয়ের তথ্য রয়েছে। আইওয়া বাণিজ্য বিভাগের অধীনস্থ অ্যালকোহলিক বেভারেজেস ডিভিশন এই ডেটা সংগ্রহ করে।

BigQuery-তে, আইওয়ার মদের খুচরা বিক্রয় বিশ্লেষণ করতে bigquery-public-data.iowa_liquor_sales.sales কোয়েরিটি চালান। কোয়েরি স্ট্রিং বা টেবিল আইডি থেকে একটি ডেটাফ্রেম তৈরি করতে bigframes.pandas.read_gbq() মেথডটি ব্যবহার করুন।

'df' নামের একটি ডেটাফ্রেম তৈরি করতে একটি নতুন কোড সেলে নিম্নলিখিত কোডটি চালান:

df = bpd.read_gbq_table("bigquery-public-data.iowa_liquor_sales.sales")

একটি ডেটাফ্রেম সম্পর্কে প্রাথমিক তথ্য জানুন

ডেটার একটি ছোট নমুনা ডাউনলোড করতে DataFrame.peek() মেথডটি ব্যবহার করুন।

এই সেলটি চালান:

df.peek()

প্রত্যাশিত আউটপুট:

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	...

দ্রষ্টব্য: head() ফাংশনে ডেটা সাজানোর প্রয়োজন হয় এবং ডেটার একটি নমুনা ভিজ্যুয়ালাইজ করতে চাইলে এটি সাধারণত peek() চেয়ে কম কার্যকর।

পান্ডাসের মতোই, সমস্ত উপলব্ধ কলাম এবং তাদের সংশ্লিষ্ট ডেটা টাইপ দেখতে DataFrame.dtypes প্রপার্টিটি ব্যবহার করুন। এগুলো পান্ডাস-সামঞ্জস্যপূর্ণ উপায়ে প্রদর্শিত হয়।

এই সেলটি চালান:

df.dtypes

প্রত্যাশিত আউটপুট:

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

DataFrame.describe() মেথডটি DataFrame থেকে কিছু প্রাথমিক পরিসংখ্যান কোয়েরি করে। এই সারসংক্ষেপ পরিসংখ্যানগুলো একটি pandas DataFrame হিসেবে ডাউনলোড করতে DataFrame.to_pandas() রান করুন।

এই সেলটি চালান:

df.describe("all").to_pandas()

প্রত্যাশিত আউটপুট: 

	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

৪. ডেটা দৃশ্যায়ন ও পরিষ্করণ করুন

আইওয়া মদের খুচরা বিক্রয় ডেটাসেটটি খুচরা দোকানগুলোর অবস্থান সহ সূক্ষ্ম ভৌগোলিক তথ্য প্রদান করে। বিভিন্ন ভৌগোলিক অঞ্চলের মধ্যে প্রবণতা এবং পার্থক্য শনাক্ত করতে এই ডেটা ব্যবহার করুন।

জিপ কোড অনুযায়ী বিক্রয়ের চিত্রায়ন করুন

DataFrame.plot.hist() -এর মতো বেশ কিছু বিল্ট-ইন ভিজ্যুয়ালাইজেশন মেথড রয়েছে। জিপ কোড অনুযায়ী মদের বিক্রয় তুলনা করতে এই মেথডটি ব্যবহার করুন। 

volume_by_zip = df.groupby("zip_code").agg({"volume_sold_liters": "sum"})
volume_by_zip.plot.hist(bins=20)

প্রত্যাশিত আউটপুট:

আয়তনের হিস্টোগ্রাম

কোন জিপ কোড সবচেয়ে বেশি অ্যালকোহল বিক্রি করেছে তা দেখতে একটি বার চার্ট ব্যবহার করুন। 

(
  volume_by_zip
  .sort_values("volume_sold_liters", ascending=False)
  .head(25)
  .to_pandas()
  .plot.bar(rot=80)
)

প্রত্যাশিত আউটপুট:

সর্বাধিক বিক্রিত জিপ কোডগুলিতে অ্যালকোহলের পরিমাণের বার চার্ট

ডেটা পরিষ্কার করুন

কিছু জিপ কোডের শেষে .0 রয়েছে। সম্ভবত ডেটা সংগ্রহের কোনো পর্যায়ে জিপ কোডগুলো ভুলবশত ফ্লোটিং পয়েন্ট মানে রূপান্তরিত হয়ে গেছে। রেগুলার এক্সপ্রেশন ব্যবহার করে জিপ কোডগুলো পরিমার্জন করুন এবং বিশ্লেষণটি পুনরায় করুন। 

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)
)

প্রত্যাশিত আউটপুট:

সর্বাধিক বিক্রিত জিপ কোডগুলিতে অ্যালকোহলের পরিমাণের বার চার্ট

৫. বিক্রয়ের মধ্যে পারস্পরিক সম্পর্ক খুঁজে বের করুন

কেন কিছু জিপ কোডে অন্যগুলোর চেয়ে বেশি বিক্রি হয়? একটি অনুমান হলো, এর কারণ জনসংখ্যার আকারের পার্থক্য। যে জিপ কোডের জনসংখ্যা বেশি, সেখানে সম্ভবত বেশি মদ বিক্রি হবে।

জনসংখ্যা এবং মদের বিক্রির পরিমাণের মধ্যে পারস্পরিক সম্পর্ক গণনা করে এই অনুমানটি পরীক্ষা করুন।

অন্যান্য ডেটাসেটের সাথে যুক্ত করুন

ইউএস সেন্সাস ব্যুরোর আমেরিকান কমিউনিটি সার্ভে জিপ কোড ট্যাবুলেশন এরিয়া সার্ভের মতো একটি জনসংখ্যা ডেটাসেটের সাথে যুক্ত হন। 

census_acs = bpd.read_gbq_table("bigquery-public-data.census_bureau_acs.zcta_2020_5yr")

আমেরিকান কমিউনিটি সার্ভে জিওআইডি (GEOID) দ্বারা রাজ্যগুলোকে চিহ্নিত করে। জিপ কোড গণনা এলাকার ক্ষেত্রে, জিওআইডি-ই জিপ কোডের সমান হয়। 

volume_by_pop = volume_by_zip.join(
    census_acs.set_index("geo_id")
)

জিপ কোড গণনা এলাকার জনসংখ্যার সাথে বিক্রি হওয়া অ্যালকোহলের পরিমাণ (লিটারে) তুলনা করার জন্য একটি স্ক্যাটার প্লট তৈরি করুন। 

(
    volume_by_pop[["volume_sold_liters", "total_pop"]]
    .to_pandas()
    .plot.scatter(x="total_pop", y="volume_sold_liters")
)

প্রত্যাশিত আউটপুট:

জনসংখ্যা এবং বিক্রি হওয়া মদের পরিমাণ (লিটারে) অনুযায়ী জিপ কোড গণনা এলাকার স্ক্যাটার প্লট।

পারস্পরিক সম্পর্ক গণনা করুন

প্রবণতাটি মোটামুটি রৈখিক বলে মনে হচ্ছে। জনসংখ্যা মদের বিক্রি কতটা ভালোভাবে পূর্বাভাস দিতে পারে তা যাচাই করার জন্য এর উপর একটি রৈখিক রিগ্রেশন মডেল প্রয়োগ করুন। 

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)

score পদ্ধতি ব্যবহার করে ফিটটি কতটা ভালো তা যাচাই করুন। 

model.score(feature_columns, label_columns).to_pandas()

নমুনা আউটপুট: 

	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

জনসংখ্যার মানগুলির একটি পরিসরের উপর predict ফাংশনটি প্রয়োগ করে সর্বোত্তম ফিট রেখাটি অঙ্কন করুন। 

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",
)

প্রত্যাশিত আউটপুট:

সেরা ফিট লাইন সহ স্ক্যাটার প্লট

হেটেরোসেডাস্টিসিটি মোকাবেলা করা

পূর্ববর্তী চার্টের ডেটা হেটেরোস্কেডাস্টিক বলে মনে হচ্ছে। বেস্ট ফিট লাইনের চারপাশের ভ্যারিয়েন্স পপুলেশনের সাথে বৃদ্ধি পায়।

সম্ভবত মাথাপিছু কেনা মদের পরিমাণ তুলনামূলকভাবে স্থির। 

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")
)

প্রত্যাশিত আউটপুট:

জনসংখ্যা প্রতি লিটারের বিক্ষিপ্ত প্লট

দুটি ভিন্ন উপায়ে ক্রয়কৃত অ্যালকোহলের গড় পরিমাণ লিটারে গণনা করুন:

  1. আইওয়াতে মাথাপিছু গড়ে কী পরিমাণ অ্যালকোহল কেনা হয়?
  2. সমস্ত জিপ কোড জুড়ে মাথাপিছু অ্যালকোহল ক্রয়ের গড় কত?

(1)-এ, এটি সমগ্র রাজ্যে কী পরিমাণ অ্যালকোহল কেনা হয় তা প্রতিফলিত করে। (2)-এ, এটি গড় জিপ কোড প্রতিফলিত করে, যা অগত্যা (1)-এর সমান হবে না কারণ বিভিন্ন জিপ কোডের জনসংখ্যা ভিন্ন ভিন্ন হয়। 

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

প্রত্যাশিত আউটপুট: 87.997 

average_per_zip = volume_per_pop["liters_per_pop"].mean()
average_per_zip

প্রত্যাশিত আউটপুট: 67.139

উপরেরটির অনুরূপভাবে এই গড়গুলো লেখচিত্রে অঙ্কন করুন। 

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")

প্রত্যাশিত আউটপুট:

জনসংখ্যা প্রতি লিটারের বিক্ষিপ্ত প্লট

এখনও কিছু জিপ কোড রয়েছে যা বেশ বড় ধরনের ব্যতিক্রম, বিশেষ করে কম জনসংখ্যার এলাকাগুলোতে। এর কারণ কী, তা অনুমান করার জন্য এটিকে একটি অনুশীলন হিসেবে রেখে দেওয়া হলো। উদাহরণস্বরূপ, এমন হতে পারে যে কিছু জিপ কোডের জনসংখ্যা কম কিন্তু সেখানে খরচ বেশি, কারণ এলাকার একমাত্র মদের দোকানটি সেখানেই অবস্থিত। যদি তাই হয়, তাহলে আশেপাশের জিপ কোডগুলোর জনসংখ্যার ভিত্তিতে গণনা করলে এই ব্যতিক্রমগুলো হয়তো সমান হয়ে যেতে পারে।

৬. বিক্রি হওয়া মদের প্রকারভেদের তুলনা

ভৌগোলিক তথ্যের পাশাপাশি, আইওয়ার মদের খুচরা বিক্রয় ডেটাবেসে বিক্রি হওয়া পণ্য সম্পর্কেও বিস্তারিত তথ্য রয়েছে। সম্ভবত এগুলো বিশ্লেষণ করে আমরা বিভিন্ন ভৌগোলিক অঞ্চলের রুচির পার্থক্যগুলো উন্মোচন করতে পারব।

বিভাগগুলি অন্বেষণ করুন

ডাটাবেসে আইটেমগুলো শ্রেণীবদ্ধ করা আছে। এখানে কয়টি বিভাগ আছে? 

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()

প্রত্যাশিত আউটপুট: 103

পরিমাণের দিক থেকে সবচেয়ে জনপ্রিয় বিভাগগুলো কোনগুলো? 

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)

সর্বাধিক বিক্রিত মদের বিভাগগুলির বার চার্ট

অ্যারে ডেটা টাইপ নিয়ে কাজ করা

হুইস্কি, রাম, ভদকা এবং আরও অনেক কিছুরই বিভিন্ন বিভাগ রয়েছে। আমি এগুলোকে কোনোভাবে একত্রিত করতে চাই।

প্রথমে Series.str.split() মেথড ব্যবহার করে ক্যাটাগরির নামগুলোকে আলাদা আলাদা শব্দে ভাগ করুন। এরপর explode() মেথড ব্যবহার করে এর ফলে তৈরি হওয়া অ্যারেটিকে আননেস্ট করুন। 

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)

বিভাগ অনুযায়ী গণনা অনুসারে শব্দ

category_parts.nunique()

প্রত্যাশিত আউটপুট: 113

উপরের চার্টটি দেখলে বোঝা যায়, ডেটাতে এখনও VODKA এবং VODKAS আলাদা রয়েছে। বিভাগগুলোকে আরও ছোট একটি সেটে সংকুচিত করার জন্য আরও গ্রুপিং প্রয়োজন।

৭. BigQuery ডেটাফ্রেমের সাথে NLTK ব্যবহার

মাত্র প্রায় ১০০টি ক্যাটাগরি থাকায়, কিছু হিউরিস্টিকস লেখা বা এমনকি ম্যানুয়ালি এক ক্যাটাগরি থেকে অন্য ক্যাটাগরির মদের ধরনের সাথে একটি ম্যাপিং তৈরি করা সম্ভব। বিকল্পভাবে, এই ধরনের ম্যাপিং তৈরি করার জন্য জেমিনির মতো একটি বৃহৎ ল্যাঙ্গুয়েজ মডেল ব্যবহার করা যেতে পারে। জেমিনির সাথে বিগকোয়েরি ডেটাফ্রেম ব্যবহার করতে, 'Get insights from unstructured data using BigQuery DataFrames' কোডল্যাবটি চেষ্টা করুন।

এর পরিবর্তে, এই ডেটাগুলো প্রসেস করার জন্য NLTK-এর মতো একটি প্রচলিত ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং প্যাকেজ ব্যবহার করুন। উদাহরণস্বরূপ, 'স্টেমার' নামক একটি প্রযুক্তি বহুবচন ও একবচন বিশেষ্যকে একই মানে একীভূত করতে পারে।

NLTK ব্যবহার করে শব্দ তৈরি করা

NLTK প্যাকেজটি ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং মেথড সরবরাহ করে যা পাইথন থেকে ব্যবহার করা যায়। এটি ব্যবহার করে দেখার জন্য প্যাকেজটি ইনস্টল করুন। 

%pip install nltk

এরপর, প্যাকেজটি ইম্পোর্ট করুন। ভার্সনটি পরীক্ষা করে দেখুন। টিউটোরিয়ালের পরবর্তী অংশে এটি কাজে লাগবে। 

import nltk

nltk.__version__

শব্দকে প্রমিত করার একটি উপায় হলো শব্দটির মূল রূপ তৈরি করা। এতে যেকোনো প্রত্যয় বাদ দেওয়া হয়, যেমন বহুবচনের জন্য শব্দের শেষে থাকা 's'। 

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)

কয়েকটি শব্দের উপর এটি চেষ্টা করে দেখুন। 

stem("WHISKEY")

প্রত্যাশিত আউটপুট: whiskey 

stem("WHISKIES")

প্রত্যাশিত আউটপুট: whiski

দুর্ভাগ্যবশত, এটি 'whiskies' এবং 'whiskey'-কে একই অর্থে চিহ্নিত করতে পারেনি। স্টেমারগুলো অনিয়মিত বহুবচনের ক্ষেত্রে ভালোভাবে কাজ করে না। একটি লেমাটাইজার ব্যবহার করে দেখুন, যা 'লেমা' নামক মূল শব্দটি শনাক্ত করার জন্য আরও উন্নত কৌশল ব্যবহার করে। 

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())

কয়েকটি শব্দের উপর এটি চেষ্টা করে দেখুন। 

lemmatize("WHISKIES")

প্রত্যাশিত আউটপুট: whisky 

lemmatize("WHISKY")

প্রত্যাশিত আউটপুট: whisky 

lemmatize("WHISKEY")

প্রত্যাশিত আউটপুট: whiskey

দুর্ভাগ্যবশত, এই লেমাটাইজারটি 'whiskey' শব্দটিকে 'whiskies' শব্দের মতো একই লেমাতে ম্যাপ করে না। যেহেতু এই শব্দটি আইওয়ার খুচরা মদের বিক্রয় ডেটাবেসের জন্য বিশেষভাবে গুরুত্বপূর্ণ, তাই একটি অভিধান ব্যবহার করে এটিকে ম্যানুয়ালি আমেরিকান বানানে ম্যাপ করুন। 

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)

কয়েকটি শব্দের উপর এটি চেষ্টা করে দেখুন। 

lemmatize("WHISKIES")

প্রত্যাশিত আউটপুট: whiskey 

lemmatize("WHISKEY")

প্রত্যাশিত আউটপুট: whiskey

অভিনন্দন! এই লেম্যাটাইজারটি ক্যাটাগরিগুলো সংকুচিত করার জন্য ভালোভাবে কাজ করবে। BigQuery-এর সাথে এটি ব্যবহার করতে হলে, আপনাকে এটি ক্লাউডে ডেপ্লয় করতে হবে।

ফাংশন ডেপ্লয়মেন্টের জন্য আপনার প্রজেক্ট সেটআপ করুন।

এটি ক্লাউডে স্থাপন করার আগে, যাতে BigQuery এই ফাংশনটি অ্যাক্সেস করতে পারে, আপনাকে একবারের জন্য কিছু সেটআপ করতে হবে।

একটি নতুন কোড সেল তৈরি করুন এবং your-project-id জায়গায় এই টিউটোরিয়ালের জন্য ব্যবহৃত গুগল ক্লাউড প্রজেক্ট আইডিটি বসান। 

project_id = "your-project-id"

কোনো অনুমতি ছাড়াই একটি সার্ভিস অ্যাকাউন্ট তৈরি করুন, কারণ এই ফাংশনটির কোনো ক্লাউড রিসোর্সে অ্যাক্সেসের প্রয়োজন নেই। 

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)

প্রত্যাশিত আউটপুট: bigframes-no-permissions@your-project-id.iam.gserviceaccount.com

ফাংশনটি ধারণ করার জন্য একটি BigQuery ডেটাসেট তৈরি করুন। 

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)

একটি রিমোট ফাংশন স্থাপন করা

ক্লাউড ফাংশনস এপিআই যদি আগে থেকে সক্রিয় করা না থাকে, তবে তা সক্রিয় করুন। 

!gcloud services enable cloudfunctions.googleapis.com

এখন, আপনার তৈরি করা ডেটাসেটে ফাংশনটি ডিপ্লয় করুন। পূর্ববর্তী ধাপে তৈরি করা ফাংশনটিতে একটি @bpd.remote_function ডেকোরেটর যোগ করুন। 

@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)

স্থাপন করতে প্রায় দুই মিনিট সময় লাগা উচিত।

রিমোট ফাংশন ব্যবহার করা

ডেপ্লয়মেন্ট সম্পন্ন হলে, আপনি এই ফাংশনটি পরীক্ষা করতে পারবেন। 

lemmatize = bpd.read_gbq_function(f"{project_id}.functions.lemmatize")

words = bpd.Series(["whiskies", "whisky", "whiskey", "vodkas", "vodka"])
words.apply(lemmatize).to_pandas()

প্রত্যাশিত আউটপুট: 

0	whiskey
1	whiskey
2	whiskey
3	vodka
4	vodka

dtype: string

৮. কাউন্টি অনুসারে অ্যালকোহল সেবনের তুলনা

এখন যেহেতু lemmatize ফাংশনটি উপলব্ধ, ক্যাটাগরিগুলোকে একত্রিত করতে এটি ব্যবহার করুন।

বিভাগটিকে সবচেয়ে ভালোভাবে সংক্ষেপে বর্ণনা করার মতো শব্দ খুঁজে বের করা।

প্রথমে, ডাটাবেসে থাকা সমস্ত ক্যাটাগরি নিয়ে একটি ডেটাফ্রেম তৈরি করুন। 

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()

প্রত্যাশিত আউটপুট: 

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

এরপরে, বিরামচিহ্ন এবং 'আইটেম'-এর মতো কয়েকটি অপ্রয়োজনীয় শব্দ ছাড়া, ক্যাটাগরিগুলোর সমস্ত শব্দ নিয়ে একটি ডেটাফ্রেম তৈরি করুন। 

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()

প্রত্যাশিত আউটপুট: 

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

মনে রাখবেন যে, গ্রুপিং করার পরে লেমাটাইজ করার মাধ্যমে আপনি আপনার ক্লাউড ফাংশনের উপর চাপ কমাচ্ছেন। ডাটাবেসের কয়েক মিলিয়ন সারির প্রতিটিতে লেমাটাইজ ফাংশনটি প্রয়োগ করা সম্ভব, কিন্তু গ্রুপিং করার পরে এটি প্রয়োগ করার চেয়ে এতে খরচ বেশি হবে এবং কোটা বাড়ানোর প্রয়োজন হতে পারে। 

lemmas = words.assign(lemma=lambda _: _["word"].apply(lemmatize))
lemmas.to_pandas()

প্রত্যাশিত আউটপুট: 

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

এখন যেহেতু শব্দগুলোকে লেমায় রূপান্তর করা হয়েছে, আপনাকে এমন একটি লেমা নির্বাচন করতে হবে যা বিভাগটিকে সবচেয়ে ভালোভাবে সংক্ষিপ্ত করে। যেহেতু বিভাগগুলোতে ক্রিয়াপদ-নির্ভর শব্দ খুব বেশি নেই, তাই এই সাধারণ নিয়মটি ব্যবহার করুন যে, যদি কোনো শব্দ একাধিক অন্য বিভাগে উপস্থিত থাকে, তবে সম্ভবত এটি একটি সংক্ষিপ্তকারী শব্দ হিসেবেই বেশি ভালো (যেমন হুইস্কি)। 

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()

প্রত্যাশিত আউটপুট: 

	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

এখন যেহেতু প্রতিটি বিভাগের সারসংক্ষেপকারী একটিমাত্র লেমা রয়েছে, এটিকে মূল ডেটাফ্রেমের সাথে মার্জ করুন। 

df_with_lemma = df.merge(
    categories_mapping,
    on="category_name",
    how="left"
)
df_with_lemma[df_with_lemma['category_name'].notnull()].peek()

প্রত্যাশিত আউটপুট: 

	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

কাউন্টিগুলির তুলনা

প্রতিটি কাউন্টির বিক্রয় তুলনা করে দেখুন কী কী পার্থক্য রয়েছে। 

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"))
)

প্রতিটি কাউন্টিতে সর্বাধিক বিক্রিত পণ্যটি (লেমা) খুঁজুন। 

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()

প্রত্যাশিত আউটপুট: 

	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

কাউন্টিগুলো একে অপরের থেকে কতটা আলাদা? 

county_max_lemma.groupby("lemma").size().to_pandas()

প্রত্যাশিত আউটপুট: 

lemma	
american	1
liqueur	1
vodka	15
whiskey	83

dtype: Int64

বেশিরভাগ কাউন্টিতে, পরিমাণের দিক থেকে হুইস্কি সবচেয়ে জনপ্রিয় পণ্য, এবং ১৫টি কাউন্টিতে ভদকা সবচেয়ে জনপ্রিয়। রাজ্যব্যাপী সবচেয়ে জনপ্রিয় মদের প্রকারগুলোর সাথে এর তুলনা করুন। 

total_liters = (
    df_with_lemma
    .groupby("lemma")
    .agg({"volume_sold_liters": "sum"})
    .sort_values("volume_sold_liters", ascending=False)
)
total_liters.to_pandas()

প্রত্যাশিত আউটপুট: 

	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
...

রাজ্যজুড়ে হুইস্কি ও ভদকার পরিমাণ প্রায় একই, তবে ভদকার পরিমাণ হুইস্কির চেয়ে কিছুটা বেশি।

অনুপাত তুলনা করা

প্রতিটি কাউন্টির বিক্রয়ের বিশেষত্ব কী? কোন বিষয়টি একটি কাউন্টিকে রাজ্যের বাকি অংশ থেকে আলাদা করে তোলে?

রাজ্যব্যাপী বিক্রয়ের অনুপাতের ভিত্তিতে যা প্রত্যাশিত, তার থেকে কোন মদের বিক্রয়ের পরিমাণগুলো আনুপাতিকভাবে সবচেয়ে বেশি ভিন্ন, তা খুঁজে বের করতে কোহেনের h পরিমাপটি ব্যবহার করুন। 

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"))
)

এখন যেহেতু প্রতিটি লেমার জন্য কোহেনের h পরিমাপ করা হয়েছে, প্রতিটি কাউন্টিতে রাজ্যব্যাপী অনুপাত থেকে বৃহত্তম পার্থক্যটি নির্ণয় করুন। 

# 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()

প্রত্যাশিত আউটপুট: 

	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

কোহেনের h-এর মান যত বড় হবে, রাজ্যের গড়ের তুলনায় সেই নির্দিষ্ট ধরণের অ্যালকোহল সেবনের পরিমাণে পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ পার্থক্য থাকার সম্ভাবনা তত বেশি। ক্ষুদ্রতর ধনাত্মক মানগুলোর ক্ষেত্রে, সেবনের পার্থক্যটি রাজ্যব্যাপী গড়ের চেয়ে ভিন্ন হয়, কিন্তু এটি দৈবচয়নের কারণেও হতে পারে।

প্রসঙ্গক্রমে উল্লেখ্য: এল পাসো কাউন্টি আইওয়ার কোনো কাউন্টি বলে মনে হচ্ছে না; এই বিষয়টি ইঙ্গিত দেয় যে, এই ফলাফলগুলোর ওপর পুরোপুরি নির্ভর করার আগে ডেটা পরিমার্জনের আরও একটি প্রয়োজন রয়েছে।

কাউন্টিগুলির কল্পনা

প্রতিটি কাউন্টির ভৌগোলিক এলাকা পেতে bigquery-public-data.geo_us_boundaries.counties টেবিলের সাথে জয়েন করুন। মার্কিন যুক্তরাষ্ট্র জুড়ে কাউন্টির নামগুলো অনন্য নয়, তাই শুধুমাত্র আইওয়ার কাউন্টিগুলো অন্তর্ভুক্ত করার জন্য ফিল্টার করুন। আইওয়ার FIPS কোড হলো '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

প্রত্যাশিত আউটপুট: 

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

মানচিত্রে এই পার্থক্যগুলো দৃশ্যমান করতে GeoPandas ব্যবহার করুন। 

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,
)

প্রতিটি কাউন্টিতে অ্যালকোহলের এমন একটি মানচিত্র যা রাজ্যব্যাপী বিক্রয় পরিমাণের অনুপাত থেকে সবচেয়ে বেশি ভিন্ন।

৯. পরিষ্কার করুন

আপনি যদি এই টিউটোরিয়ালের জন্য একটি নতুন গুগল ক্লাউড প্রজেক্ট তৈরি করে থাকেন, তবে তৈরি করা টেবিল বা অন্যান্য রিসোর্সের জন্য অতিরিক্ত চার্জ এড়াতে আপনি সেটি ডিলিট করে দিতে পারেন।

বিকল্পভাবে, এই টিউটোরিয়ালের জন্য তৈরি করা ক্লাউড ফাংশন, সার্ভিস অ্যাকাউন্ট এবং ডেটাসেটগুলো মুছে ফেলুন।

১০. অভিনন্দন!

আপনি BigQuery DataFrames ব্যবহার করে স্ট্রাকচার্ড ডেটা পরিষ্কার ও বিশ্লেষণ করেছেন। এই প্রক্রিয়ায় আপনি Google Cloud-এর পাবলিক ডেটাসেট, BigQuery Studio-এর পাইথন নোটবুক, BigQuery ML, BigQuery রিমোট ফাংশন এবং BigQuery DataFrames-এর কার্যকারিতা সম্পর্কে জেনেছেন। চমৎকার কাজ!

পরবর্তী পদক্ষেপ