1. Présentation
Dans cet atelier, vous allez utiliser BigQuery DataFrames à partir d'un notebook Python dans BigQuery Studio pour nettoyer et analyser l'ensemble de données public sur les ventes de boissons alcoolisées dans l'Iowa. Exploitez les fonctionnalités de BigQuery ML et des fonctions distantes pour découvrir des insights.
Vous allez créer un notebook Python pour comparer les ventes dans différentes zones géographiques. Vous pouvez l'adapter à n'importe quelle donnée structurée.
Objectifs
Dans cet atelier, vous allez apprendre à effectuer les tâches suivantes :
- Activer et utiliser des notebooks Python dans BigQuery Studio
- Se connecter à BigQuery à l'aide du package BigQuery DataFrames
- Créer une régression linéaire à l'aide de BigQuery ML
- Effectuer des agrégations et des jointures complexes à l'aide d'une syntaxe semblable à celle de pandas
2. Conditions requises
Avant de commencer
Pour suivre les instructions de cet atelier de programmation, vous aurez besoin d'un projet Google Cloud dans lequel BigQuery Studio est activé et d'un compte de facturation associé.
- Dans la console Google Cloud, sur la page du sélecteur de projet, sélectionnez ou créez un projet Google Cloud.
- Assurez-vous que la facturation est activée pour votre projet Google Cloud. Découvrez comment vérifier si la facturation est activée sur un projet.
- Suivez les instructions pour activer BigQuery Studio pour la gestion des éléments.
Préparer BigQuery Studio
Créez un notebook vide et associez-le à un environnement d'exécution.
- Accédez à BigQuery Studio dans la console Google Cloud.
- Cliquez sur le bouton ▼ à côté du bouton +.
- Sélectionnez Notebook Python.
- Fermez le sélecteur de modèle.
- Sélectionnez + Code pour créer une cellule de code.
- Installez la dernière version du package BigQuery DataFrames à partir de la cellule de code.Saisissez la commande suivante.
Cliquez sur le bouton Run cell (Exécuter la cellule) ou appuyez sur Maj+Entrée pour exécuter la cellule de code.%pip install --upgrade bigframes --quiet
3. Lire un ensemble de données public
Initialisez le package BigQuery DataFrames en exécutant le code suivant dans une nouvelle cellule de code:
import bigframes.pandas as bpd
bpd.options.bigquery.ordering_mode = "partial"
bpd.options.display.repr_mode = "deferred"
Remarque: dans ce tutoriel, nous utilisons le mode d'ordonnancement partiel expérimental, qui permet d'effectuer des requêtes plus efficaces lorsqu'il est utilisé avec un filtrage semblable à celui de pandas. Certaines fonctionnalités pandas qui nécessitent un tri ou un indice stricts peuvent ne pas fonctionner.
Vérifier la version de votre package bigframes
avec
bpd.__version__
Ce tutoriel nécessite la version 1.27.0 ou ultérieure.
Ventes au détail d'alcools en Iowa
L'ensemble de données sur les ventes au détail de boissons alcoolisées dans l'Iowa est disponible sur BigQuery via le programme d'ensembles de données publics de Google Cloud. Cet ensemble de données contient tous les achats en gros de boissons alcoolisées dans l'État de l'Iowa par les détaillants pour la vente à des particuliers depuis le 1er janvier 2012. Les données sont collectées par la division des boissons alcoolisées du département du commerce de l'Iowa.
Dans BigQuery, interrogez bigquery-public-data.iowa_liquor_sales.sales pour analyser les ventes au détail d'alcools dans l'Iowa. Utilisez la méthode bigframes.pandas.read_gbq()
pour créer un DataFrame à partir d'une chaîne de requête ou d'un ID de table.
Exécutez le code suivant dans une nouvelle cellule de code pour créer un DataFrame nommé "df":
df = bpd.read_gbq_table("bigquery-public-data.iowa_liquor_sales.sales")
Découvrir des informations de base sur un DataFrame
Utilisez la méthode DataFrame.peek()
pour télécharger un petit échantillon des données.
Exécutez cette cellule:
df.peek()
Résultat attendu :
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 ...
Remarque: head()
nécessite un tri et est généralement moins efficace que peek()
si vous souhaitez visualiser un échantillon de données.
Tout comme avec pandas, utilisez la propriété DataFrame.dtypes
pour afficher toutes les colonnes disponibles et les types de données correspondants. Ils sont exposés de manière compatible avec pandas.
Exécutez cette cellule:
df.dtypes
Résultat attendu :
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
La méthode DataFrame.describe()
interroge certaines statistiques de base du DataFrame. Exécutez DataFrame.to_pandas()
pour télécharger ces statistiques récapitulatives sous la forme d'un DataFrame pandas.
Exécutez cette cellule:
df.describe("all").to_pandas()
Résultat attendu :
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. Visualiser et nettoyer les données
L'ensemble de données sur les ventes de boissons alcoolisées dans l'Iowa fournit des informations géographiques précises, y compris l'emplacement des magasins. Utilisez ces données pour identifier les tendances et les différences entre les zones géographiques.
Visualiser les ventes par code postal
Plusieurs méthodes de visualisation intégrées sont disponibles, comme DataFrame.plot.hist(). Utilisez cette méthode pour comparer les ventes d'alcool par code postal.
volume_by_zip = df.groupby("zip_code").agg({"volume_sold_liters": "sum"})
volume_by_zip.plot.hist(bins=20)
Résultat attendu :
Utilisez un graphique à barres pour identifier les codes postaux qui ont vendu le plus d'alcool.
(
volume_by_zip
.sort_values("volume_sold_liters", ascending=False)
.head(25)
.to_pandas()
.plot.bar(rot=80)
)
Résultat attendu :
Nettoyer les données
Certains codes postaux se terminent par un .0
. Il est possible que, lors de la collecte des données, les codes postaux aient été convertis accidentellement en valeurs à virgule flottante. Utilisez des expressions régulières pour nettoyer les codes postaux et répétez l'analyse.
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)
)
Résultat attendu :
5. Découvrir des corrélations dans les ventes
Pourquoi certains codes postaux enregistrent-ils plus de ventes que d'autres ? Une hypothèse est que cela est dû à des différences de taille de population. Un code postal plus peuplé vend probablement plus d'alcool.
Testez cette hypothèse en calculant la corrélation entre la population et le volume de ventes d'alcool.
Associer des ensembles de données
Associez-les à un ensemble de données sur la population, comme l'enquête sur la communauté américaine du Bureau du recensement des États-Unis (American Community Survey) sur les zones de tabulation des codes postaux.
census_acs = bpd.read_gbq_table("bigquery-public-data.census_bureau_acs.zcta_2020_5yr")
L'American Community Survey identifie les États par GEOID. Dans le cas des zones de tabulation des codes postaux, le GEOID est égal au code postal.
volume_by_pop = volume_by_zip.join(
census_acs.set_index("geo_id")
)
Créez un graphique en nuage de points pour comparer la population de la zone de tabulation du code postal aux litres d'alcool vendus.
(
volume_by_pop[["volume_sold_liters", "total_pop"]]
.to_pandas()
.plot.scatter(x="total_pop", y="volume_sold_liters")
)
Résultat attendu :
Calculer les corrélations
La tendance semble à peu près linéaire. Ajustez un modèle de régression linéaire à ces données pour vérifier dans quelle mesure la population peut prédire les ventes d'alcool.
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)
Vérifiez la qualité de l'ajustement à l'aide de la méthode score
.
model.score(feature_columns, label_columns).to_pandas()
Exemple de résultat :
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
Tracer la ligne d'ajustement, mais en appelant la fonction predict
sur une plage de valeurs de population.
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",
)
Résultat attendu :
Traiter l'hétéroscédasticité
Les données du graphique précédent semblent être hétéroscédastiques. La variance autour de la droite d'ajustement optimal augmente avec la population.
Il est possible que la quantité d'alcool achetée par personne soit relativement constante.
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")
)
Résultat attendu :
Calculez la quantité moyenne d'alcool achetée de deux manières différentes:
- Quelle est la quantité moyenne d'alcool achetée par personne dans l'Iowa ?
- Quelle est la moyenne pour tous les codes postaux de la quantité d'alcool achetée par personne ?
Dans (1), il reflète la quantité d'alcool achetée dans l'ensemble de l'État. Dans (2), il reflète le code postal moyen, qui ne sera pas nécessairement identique à (1), car les populations des différents codes postaux sont différentes.
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
Résultat attendu: 87.997
average_per_zip = volume_per_pop["liters_per_pop"].mean()
average_per_zip
Résultat attendu: 67.139
Représentez ces moyennes, comme ci-dessus.
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")
Résultat attendu :
Certains codes postaux présentent encore des écarts importants, en particulier dans les zones moins peuplées. À vous de formuler des hypothèses pour expliquer ce phénomène. Par exemple, il se peut que certains codes postaux présentent une faible population, mais une consommation élevée, car ils abritent le seul magasin d'alcool de la région. Si tel est le cas, le calcul basé sur la population des codes postaux environnants peut même éliminer ces valeurs aberrantes.
6. Comparaison des types d'alcool vendus
En plus des données géographiques, la base de données des ventes au détail d'alcool de l'Iowa contient également des informations détaillées sur l'article vendu. En les analysant, nous pourrons peut-être révéler des différences de goûts entre les zones géographiques.
Parcourir les catégories
Les éléments sont catégorisés dans la base de données. Combien de catégories y a-t-il ?
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()
Résultat attendu: 103
Quelles sont les catégories les plus populaires en termes de volume ?
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)
Utiliser le type de données ARRAY
Il existe plusieurs catégories de whisky, de rhum, de vodka, etc. J'aimerais les regrouper d'une manière ou d'une autre.
Commencez par séparer les noms de catégorie en mots à l'aide de la méthode Series.str.split(). Désimbriquez le tableau créé à l'aide de la méthode 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()
Résultat attendu: 113
En examinant le graphique ci-dessus, on voit que les données VODKA sont toujours séparées de VODKAS. Vous devez regrouper davantage de catégories pour les réduire à un ensemble plus petit.
7. Utiliser NLTK avec BigQuery DataFrames
Avec seulement une centaine de catégories, il est possible d'écrire des heuristiques ou même de créer manuellement un mappage de la catégorie au type de boisson alcoolisée plus large. Vous pouvez également utiliser un grand modèle de langage tel que Gemini pour créer une telle mise en correspondance. Essayez l'atelier de programmation Obtenir des insights à partir de données non structurées à l'aide de BigQuery DataFrames pour utiliser BigQuery DataFrames avec Gemini.
Utilisez plutôt un package de traitement du langage naturel plus traditionnel, NLTK, pour traiter ces données. Une technologie appelée "stemmer" peut fusionner les noms au pluriel et au singulier dans la même valeur, par exemple.
Utiliser NLTK pour extraire les racines des mots
Le package NLTK fournit des méthodes de traitement du langage naturel accessibles depuis Python. Installez le package pour l'essayer.
%pip install nltk
Importez ensuite le package. Inspectez la version. Vous en aurez besoin plus tard dans ce tutoriel.
import nltk
nltk.__version__
Une méthode de standardisation des mots consiste à "raciner" le mot. Cette opération supprime tous les suffixes, comme le "s" à la fin des noms au pluriel.
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)
Essayez-le avec quelques mots.
stem("WHISKEY")
Résultat attendu: whiskey
stem("WHISKIES")
Résultat attendu: whiski
Malheureusement, cela n'a pas permis de faire correspondre les whiskies au whisky. Les outils d'extraction de la racine ne fonctionnent pas bien avec les pluriels irréguliers. Essayez un lemmatiseur, qui utilise des techniques plus sophistiquées pour identifier le mot de base, appelé "lemme".
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())
Essayez-le avec quelques mots.
lemmatize("WHISKIES")
Résultat attendu: whisky
lemmatize("WHISKY")
Résultat attendu: whisky
lemmatize("WHISKEY")
Résultat attendu: whiskey
Malheureusement, ce lemmatiseur ne mappe pas "whisky" au même lemme que "whiskies". Étant donné que ce mot est particulièrement important pour la base de données sur les ventes de boissons alcoolisées au détail dans l'Iowa, mappez-le manuellement à l'orthographe américaine à l'aide d'un dictionnaire.
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)
Essayez-le avec quelques mots.
lemmatize("WHISKIES")
Résultat attendu: whiskey
lemmatize("WHISKEY")
Résultat attendu: whiskey
Félicitations ! Ce lemmatiseur devrait être efficace pour affiner les catégories. Pour l'utiliser avec BigQuery, vous devez le déployer dans le cloud.
Configurer votre projet pour le déploiement de fonctions
Avant de déployer cette fonction dans le cloud afin que BigQuery puisse y accéder, vous devez effectuer une configuration unique.
Créez une cellule de code et remplacez your-project-id
par l'ID du projet Google Cloud que vous utilisez pour ce tutoriel.
project_id = "your-project-id"
Créez un compte de service sans autorisations, car cette fonction n'a pas besoin d'accéder à des ressources cloud.
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)
Résultat attendu: bigframes-no-permissions@your-project-id.iam.gserviceaccount.com
Créez un ensemble de données BigQuery pour contenir la fonction.
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)
Déployer une fonction distante
Activez l'API Cloud Functions si ce n'est pas déjà fait.
!gcloud services enable cloudfunctions.googleapis.com
Déployez maintenant votre fonction dans l'ensemble de données que vous venez de créer. Ajoutez un décorateur @bpd.remote_function
à la fonction que vous avez créée lors des étapes précédentes.
@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)
Le déploiement devrait prendre environ deux minutes.
Utiliser les fonctions à distance
Une fois le déploiement terminé, vous pouvez tester cette fonction.
lemmatize = bpd.read_gbq_function(f"{project_id}.functions.lemmatize")
words = bpd.Series(["whiskies", "whisky", "whiskey", "vodkas", "vodka"])
words.apply(lemmatize).to_pandas()
Résultat attendu :
0 whiskey
1 whiskey
2 whiskey
3 vodka
4 vodka
dtype: string
8. Comparer la consommation d'alcool par comté
Maintenant que la fonction lemmatize
est disponible, utilisez-la pour combiner des catégories.
Trouver le mot qui résume le mieux la catégorie
Commencez par créer un DataFrame de toutes les catégories de la base de données.
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()
Résultat attendu :
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
Ensuite, créez un DataFrame de tous les mots des catégories, à l'exception de quelques mots de remplissage tels que les signes de ponctuation et "article".
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()
Résultat attendu :
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
Notez qu'en lemmatisant après le regroupement, vous réduisez la charge sur votre fonction Cloud. Il est possible d'appliquer la fonction lemmatize à chacun des millions de lignes de la base de données, mais cela coûterait plus cher que de l'appliquer après le regroupement et pourrait nécessiter une augmentation des quotas.
lemmas = words.assign(lemma=lambda _: _["word"].apply(lemmatize))
lemmas.to_pandas()
Résultat attendu :
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
Maintenant que les mots ont été lemmatisés, vous devez sélectionner le lemme qui résume le mieux la catégorie. Étant donné qu'il n'y a pas beaucoup de mots fonctionnels dans les catégories, utilisez l'heuristique suivante : si un mot apparaît dans plusieurs autres catégories, il est probablement plus adapté en tant que mot récapitulatif (par exemple, "whisky").
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()
Résultat attendu :
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
Maintenant qu'il existe un seul lemme résumant chaque catégorie, fusionnez-le avec le DataFrame d'origine.
df_with_lemma = df.merge(
categories_mapping,
on="category_name",
how="left"
)
df_with_lemma[df_with_lemma['category_name'].notnull()].peek()
Résultat attendu :
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
Comparer des comtés
Comparez les ventes dans chaque comté pour identifier les différences.
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"))
)
Trouvez le produit (lemme) le plus vendu dans chaque comté.
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()
Résultat attendu :
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
En quoi les comtés sont-ils différents les uns des autres ?
county_max_lemma.groupby("lemma").size().to_pandas()
Résultat attendu :
lemma
american 1
liqueur 1
vodka 15
whiskey 83
dtype: Int64
Dans la plupart des comtés, le whisky est le produit le plus populaire en termes de volume, tandis que la vodka est la plus populaire dans 15 comtés. Comparez-le aux types d'alcool les plus populaires dans l'État.
total_liters = (
df_with_lemma
.groupby("lemma")
.agg({"volume_sold_liters": "sum"})
.sort_values("volume_sold_liters", ascending=False)
)
total_liters.to_pandas()
Résultat attendu :
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
...
Le whisky et la vodka représentent presque le même volume, la vodka étant un peu plus élevée que le whisky dans l'ensemble de l'État.
Comparer les proportions
Quelle est la particularité des ventes dans chaque comté ? En quoi le comté est-il différent du reste de l'État ?
Utilisez la mesure h de Cohen pour identifier les volumes de ventes d'alcool qui diffèrent le plus proportionnellement de ce qui était attendu en fonction de la proportion des ventes dans l'État.
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"))
)
Maintenant que l'h de Cohen a été mesuré pour chaque lemme, identifiez la plus grande différence par rapport à la proportion à l'échelle de l'État dans chaque comté.
# 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()
Résultat attendu :
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
Plus la valeur de Cohen's h est élevée, plus il est probable qu'il existe une différence statistiquement pertinente entre la quantité de ce type d'alcool consommée et les moyennes nationales. Pour les valeurs positives plus faibles, la différence de consommation est différente de la moyenne à l'échelle de l'État, mais cela peut être dû à des différences aléatoires.
Remarque: Le comté EL PASO ne semble pas être un comté de l'Iowa. Cela peut indiquer que vous devez encore nettoyer les données avant de vous fier entièrement à ces résultats.
Visualiser les comtés
Associez-vous au tableau bigquery-public-data.geo_us_boundaries.counties
pour obtenir la zone géographique de chaque comté. Les noms de comtés ne sont pas uniques aux États-Unis. Filtrez donc pour n'inclure que les comtés de l'Iowa. Le code FIPS de l'Iowa est "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
Résultat attendu :
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
Utilisez GeoPandas pour visualiser ces différences sur une carte.
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. Effectuer un nettoyage
Si vous avez créé un projet Google Cloud pour ce tutoriel, vous pouvez le supprimer pour éviter que des frais supplémentaires ne soient facturés pour les tables ou d'autres ressources créées.
Vous pouvez également supprimer les fonctions Cloud, les comptes de service et les ensembles de données créés pour ce tutoriel.
10. Félicitations !
Vous avez nettoyé et analysé des données structurées à l'aide de DataFrames BigQuery. Au cours de ce parcours, vous avez découvert les ensembles de données publics de Google Cloud, les notebooks Python dans BigQuery Studio, BigQuery ML, les fonctions distantes BigQuery et la puissance de BigQuery DataFrames. Bravo !
Étapes suivantes
- Appliquez ces étapes à d'autres données, comme la base de données des noms des États-Unis.
- Essayez de générer du code Python dans votre notebook. Les notebooks Python dans BigQuery Studio sont fournis par Colab Enterprise. Remarque: Je trouve que demander de l'aide pour générer des données de test est très utile.
- Découvrez les exemples de notebooks pour BigQuery DataFrames sur GitHub.
- Créez un planning pour exécuter un notebook dans BigQuery Studio.
- Déployez une fonction distante avec BigQuery DataFrames pour intégrer des packages Python tiers à BigQuery.