ניתוח נתונים exploratorie של מכירות משקאות חריפים באיווה באמצעות החבילה BigQuery DataFrames

1. סקירה כללית

בשיעור ה-Lab הזה תלמדו איך להשתמש ב-BigQuery DataFrames מ-notebook של Python ב-BigQuery Studio כדי לנקות ולנתח את מערך הנתונים הציבורי של מכירות המשקאות החריפים באיווה. להשתמש ב-BigQuery ML וביכולות של פונקציות מרוחקות כדי לגלות תובנות.

תלמדו ליצור מסמך Python כדי להשוות בין מכירות באזורים גיאוגרפיים שונים. אפשר להתאים את הקוד הזה לכל נתונים מובְנים.

מטרות

בשיעור ה-Lab הזה תלמדו איך לבצע את המשימות הבאות:

  • הפעלה של מחברות Python ושימוש בהן ב-BigQuery Studio
  • התחברות ל-BigQuery באמצעות החבילה BigQuery DataFrames
  • יצירת רגרסיה ליניארית באמצעות BigQuery ML
  • ביצוע צירופים וריכוזים מורכבים באמצעות תחביר מוכר שדומה ל-pandas

2. דרישות

  • דפדפן, כמו Chrome או Firefox
  • פרויקט ב-Google Cloud שבו החיוב מופעל

לפני שמתחילים

כדי לפעול לפי ההוראות במדריך הזה, תצטרכו פרויקט ב-Google Cloud שבו מופעל BigQuery Studio וחשבון חיוב מחובר.

  1. במסוף Google Cloud, בדף לבחירת הפרויקט, בוחרים או יוצרים פרויקט ב-Google Cloud.
  2. מוודאים שהחיוב מופעל בפרויקט שלכם ב-Google Cloud. כך בודקים אם החיוב מופעל בפרויקט
  3. פועלים לפי ההוראות להפעלת BigQuery Studio לניהול נכסים.

הכנת BigQuery Studio

יוצרים מחברת ריקה ומחברים אותה לסביבת זמן ריצה.

  1. עוברים אל BigQuery Studio במסוף Google Cloud.
  2. לוחצים על לצד הלחצן +.
  3. בוחרים באפשרות Python notebook.
  4. סוגרים את בורר התבניות.
  5. בוחרים באפשרות + קוד כדי ליצור תא קוד חדש.
  6. מתקינים את הגרסה האחרונה של חבילת BigQuery DataFrames מתא הבקרה של הקוד.מקלידים את הפקודה הבאה.
    %pip install --upgrade bigframes --quiet
    
    לוחצים על הלחצן הרצת תא או על Shift + Enter כדי להריץ את תא הקוד.

3. קריאה של מערך נתונים ציבורי

כדי לאתחל את החבילה BigQuery DataFrames, מריצים את הפקודה הבאה בתא קוד חדש:

import bigframes.pandas as bpd

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

הערה: במדריך הזה אנחנו משתמשים ב'מצב סדר חלקי' הניסיוני, שמאפשר לבצע שאילתות יעילות יותר כשמשתמשים בו עם סינון מסוג pandas. יכול להיות שחלק מהתכונות של pandas שדורשות סדר או אינדקס קפדניים לא יפעלו.

בודקים את גרסת החבילה bigframes באמצעות

bpd.__version__

במדריך הזה נדרשת גרסה 1.27.0 ואילך.

מכירות קמעונאיות של משקאות אלכוהוליים באיווה

מערך הנתונים של מכירות ייצור משקאות חריפים בקמעונאות באיווה זמין ב-BigQuery דרך תוכנית מערכי הנתונים הציבוריים של Google Cloud. מערך הנתונים הזה מכיל כל רכישה סיטונאית של משקאות אלכוהוליים במדינת איווה על ידי קמעונאים למכירה לאנשים פרטיים, החל מ-1 בינואר 2012. הנתונים נאספים על ידי המחלקה למשקאות אלכוהוליים במחלקת המסחר של איווה.

ב-BigQuery, מריצים שאילתות על bigquery-public-data.iowa_liquor_sales.sales כדי לנתח את מכירות המשקאות החריפים הקמעונאיים במדינת איווה. משתמשים ב-method‏ bigframes.pandas.read_gbq() כדי ליצור DataFrame ממחרוזת שאילתה או ממזהה טבלה.

מריצים את הקוד הבא בתא קוד חדש כדי ליצור DataFrame בשם df:

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

מידע בסיסי על DataFrame

משתמשים בשיטה DataFrame.peek() כדי להוריד דגימה קטנה של הנתונים.

מריצים את התא הזה:

df.peek()

הפלט הצפוי:

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	...				

הערה: כדי להציג גרפית דגימת נתונים, צריך להשתמש ב-head(), אבל בדרך כלל האפשרות הזו פחות יעילה מ-peek().

בדומה ל-pandas, משתמשים במאפיין DataFrame.dtypes כדי לראות את כל העמודות הזמינות ואת סוגי הנתונים התואמים שלהן. הם נחשפים באופן תואם ל-pandas.

מריצים את התא הזה:

df.dtypes

הפלט הצפוי:

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

השיטה DataFrame.describe() שולחת שאילתות על נתונים סטטיסטיים בסיסיים מ-DataFrame. מריצים את הפקודה DataFrame.to_pandas() כדי להוריד את נתוני הסיכום האלה כ-DataFrame של pandas.

מריצים את התא הזה:

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

הפלט הצפוי:

	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. המחשה וניקוי של הנתונים

מערך הנתונים של מכירות משקאות אלכוהוליים בקמעונאות באיווה מספק מידע גיאוגרפי מפורט, כולל המיקום של חנויות הקמעונאות. אפשר להשתמש בנתונים האלה כדי לזהות מגמות והבדלים בין אזורים גיאוגרפיים.

הצגה חזותית של המכירות לפי מיקוד

יש כמה שיטות מובנות להצגה חזותית, כמו DataFrame.plot.hist(). אפשר להשתמש בשיטה הזו כדי להשוות בין מכירות משקאות אלכוהוליים לפי מיקוד.

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

הפלט הצפוי:

היסטוגרמה של נפחים

אפשר להשתמש בתרשים עמודות כדי לראות באילו קודמיות ישיבות נמכרה הכי הרבה אלכוהול.

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

הפלט הצפוי:

תרשים עמודות של נפחי אלכוהול באזורי המיקוד המובילים במכירות

ניקוי הנתונים

בחלק מהמיקודים מופיע הסימן .0 בסוף. יכול להיות שבשלב כלשהו באיסוף הנתונים, המיקודים הומרו בטעות לערכים של נקודה צפה. משתמשים בביטויים רגולריים כדי לנקות את המיקודים ולחזור על הניתוח.

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)
)

הפלט הצפוי:

תרשים עמודות של נפחי אלכוהול באזורי המיקוד המובילים במכירות

5. זיהוי מתאם במכירות

למה באזורי מיקוד מסוימים יש יותר מכירות מאשר באזורי מיקוד אחרים? אחת מההשערות היא שהסיבה לכך היא הבדלים בגודל האוכלוסייה. סביר להניח שבאזור מיקוד עם אוכלוסייה גדולה יותר יימכרו יותר משקאות אלכוהוליים.

כדי לבדוק את ההשערה הזו, מחשבים את המתאם בין האוכלוסייה לבין נפח המכירות של המשקאות החריפים.

איחוד עם מערכי נתונים אחרים

יצירת צירוף למערך נתונים של אוכלוסין, כמו הסקר של מפקד האוכלוסין בארה"ב (US Census Bureau) על הקהילות בארה"ב, סקר של אזור עיבוד נתונים לפי מיקוד.

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

ב-American Community Survey, המדינות מזוהות לפי GEOID. במקרה של אזורים של סיכומי נתונים לפי מיקוד, הערך של GEOID שווה למיקוד.

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

יצירת תרשים פיזור כדי להשוות בין אוכלוסיות של אזורים לצורכי סיכום נתונים לפי מיקוד לבין ליטר אלכוהול שנמכר.

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

הפלט הצפוי:

תרשים פיזור של אזורי סיכום לפי קודי מיקוד לפי האוכלוסייה והליטרים של משקאות אלכוהוליים שנמכרו

חישוב מתאמים

המגמה נראית לינארית באופן גס. מתאימים מודל של רגרסיה לינארית כדי לבדוק עד כמה האוכלוסייה יכולה לחזות את מכירות המשקאות החריפים.

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)

כדי לבדוק את מידת ההתאמה, משתמשים בשיטה score.

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

פלט לדוגמה:

	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

ציור קו ההתאמה הטוב ביותר, אבל קריאה לפונקציה predict על טווח של ערכי אוכלוסייה.

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",
)

הפלט הצפוי:

תרשים פיזור עם קו התאמה

טיפול בהטרוסקדיסטיות

נראה שהנתונים בתרשים הקודם הם הטרוסקדסטיים. השונות סביב הקו בעל ההתאמה הטובה ביותר גדלה עם הגדלת האוכלוסייה.

יכול להיות שכמות האלכוהול שנרכשת לאדם היא קבועה יחסית.

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")
)

הפלט הצפוי:

תרשים פיזור של ליטר לאוכלוסייה

אפשר לחשב את המספר הממוצע של ליטר אלכוהול שנרכשו בשתי דרכים שונות:

  1. מהו הסכום הממוצע של אלכוהול שנרכש לכל אדם באייווה?
  2. מהו הממוצע בכל המיקודים של כמות האלכוהול שנרכשה לאדם.

ב-(1), הוא משקף את כמות האלכוהול שנרכשה במדינה כולה. ב-(2), הוא משקף את המיקוד הממוצע, שלא בהכרח יהיה זהה ל-(1) כי לאוכלוסיות שונות יש אזורי מיקוד שונים.

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

הפלט הצפוי: 87.997

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

הפלט הצפוי: 67.139

מתכננים את הממוצעים האלה, בדומה למה שמתואר למעלה.

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")

הפלט הצפוי:

תרשים פיזור של ליטר לאוכלוסייה

עדיין יש מיקודים מסוימים עם חריגות גדולות למדי, במיוחד באזורים עם אוכלוסייה קטנה יותר. עכשיו נותר לכם לנסות להסיק מה הסיבה לכך. לדוגמה, יכול להיות שבחלק מהמיקודים יש אוכלוסייה קטנה אבל צריכה גבוהה כי הם מכילים את חנות המשקאות היחידה באזור. אם כן, חישוב על סמך האוכלוסייה של המיקודים הסמוכים עשוי לצמצם את החריגות האלה.

6. השוואה בין סוגי המשקאות הנמכרים

בנוסף לנתונים גיאוגרפיים, מסד הנתונים של מכירות האלכוהול הקמעונאיות באיווה מכיל גם מידע מפורט על הפריט שנמכר. ייתכן שניתוח הנתונים האלה יעזור לנו לחשוף הבדלים בטעם באזורים גיאוגרפיים שונים.

עוד קטגוריות

הפריטים מסווגים במסד הנתונים. כמה קטגוריות יש?

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()

הפלט הצפוי: 103

מהן הקטגוריות הפופולריות ביותר לפי נפח?

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)

תרשים עמודות של הקטגוריות המובילות של משקאות אלכוהוליים שנמכרו

עבודה עם סוג הנתונים ARRAY

יש כמה קטגוריות של ויסקי, רום, וודקה ועוד. אני רוצה לקבץ אותם יחד.

מתחילים בפיצול שמות הקטגוריות למילים נפרדות באמצעות השיטה Series.str.split(). מבטלים את ה-nesting של המערך שנוצר באמצעות השיטה 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)

מילים לפי ספירה מקטגוריות

category_parts.nunique()

הפלט הצפוי: 113

בתרשים שלמעלה, הנתונים עדיין כוללים את VODKA בנפרד מ-VODKAS. צריך לבצע עוד קיבוץ כדי לכווץ קטגוריות לקבוצה קטנה יותר.

7. שימוש ב-NLTK עם BigQuery DataFrames

עם כ-100 קטגוריות בלבד, אפשר לכתוב כמה שיטות ניתוח נתונים או אפילו ליצור באופן ידני מיפוי מהקטגוריה לסוג המשקה הרחב יותר. לחלופין, אפשר להשתמש במודל שפה גדול כמו Gemini כדי ליצור מיפוי כזה. כדי להשתמש ב-BigQuery DataFrames עם Gemini, כדאי לנסות את הקודלהב הפקת תובנות מנתונים לא מובְנים באמצעות BigQuery DataFrames.

במקום זאת, אפשר להשתמש בחבילה מסורתית יותר של עיבוד שפה טבעית (NLP), NLTK, כדי לעבד את הנתונים האלה. טכנולוגיה שנקראת 'stem-generator' יכולה למזג שמות עצם ביחיד וברבים לאותו ערך, לדוגמה.

שימוש ב-NLTK כדי למצוא את התחילית של מילים

חבילת NLTK מספקת שיטות לעיבוד שפה טבעית שזמינות מ-Python. כדי לנסות את החבילה, צריך להתקין אותה.

%pip install nltk

בשלב הבא, מייבאים את החבילה. בודקים את הגרסה. נשתמש בו בהמשך המדריך.

import nltk

nltk.__version__

אחת מהדרכים ליצירת סטנדרט למילים היא 'יצירת סטם' של המילה. הפעולה הזו מסירה סיומת, כמו הסיומת 's' לציון רבים.

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)

כדאי לנסות את זה עם כמה מילים.

stem("WHISKEY")

הפלט הצפוי: whiskey

stem("WHISKIES")

הפלט הצפוי: whiski

לצערנו, המערכת לא מיפתה את הוויסקי לוויסקי. סטמרים לא פועלים טוב עם צורות רבות של רבים לא סדירות. כדאי לנסות lemmatizer, שמשתמש בשיטות מתוחכמות יותר כדי לזהות את המילה הבסיסית, שנקראת 'lemma'.

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())

כדאי לנסות את זה עם כמה מילים.

lemmatize("WHISKIES")

הפלט הצפוי: whisky

lemmatize("WHISKY")

הפלט הצפוי: whisky

lemmatize("WHISKEY")

הפלט הצפוי: whiskey

לצערנו, הכלי הזה לא ממפה את 'וויסקי' לאותה למיאה כמו 'וויסקים'. מאחר שהמילה הזו חשובה במיוחד למסד הנתונים של מכירות משקאות אלכוהוליים בקמעונאות באיווה, צריך למפות אותה באופן ידני לאיות האמריקאי באמצעות מילון.

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)

כדאי לנסות את זה עם כמה מילים.

lemmatize("WHISKIES")

הפלט הצפוי: whiskey

lemmatize("WHISKEY")

הפלט הצפוי: whiskey

מזל טוב! ה-lemmatizer הזה אמור לעזור לצמצם את הקטגוריות. כדי להשתמש בו עם BigQuery, צריך לפרוס אותו בענן.

הגדרת הפרויקט לצורך פריסת פונקציות

לפני הפריסה בענן כדי ש-BigQuery תהיה לו גישה לפונקציה הזו, צריך לבצע הגדרה חד-פעמית.

יוצרים תא קוד חדש ומחליפים את your-project-id במזהה הפרויקט ב-Google Cloud שבו אתם משתמשים במדריך הזה.

project_id = "your-project-id"

יוצרים חשבון שירות ללא הרשאות, כי לפונקציה הזו לא נדרשת גישה למשאבי ענן.

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)

הפלט הצפוי: bigframes-no-permissions@your-project-id.iam.gserviceaccount.com

יוצרים מערך נתונים ב-BigQuery שיאחסן את הפונקציה.

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)

פריסה של פונקציה מרחוק

מפעילים את Cloud Functions API, אם הוא עדיין לא מופעל.

!gcloud services enable cloudfunctions.googleapis.com

עכשיו פורסים את הפונקציה במערך הנתונים שיצרתם. מוסיפים לקישוט @bpd.remote_function לפונקציה שיצרתם בשלבים הקודמים.

@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)

הפריסה אמורה להימשך כ-2 דקות.

שימוש בפונקציות השלט הרחוק

אחרי שהפריסה תושלם, תוכלו לבדוק את הפונקציה הזו.

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

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

הפלט הצפוי:

0	whiskey
1	whiskey
2	whiskey
3	vodka
4	vodka

dtype: string

8. השוואה של צריכת אלכוהול לפי מחוז

עכשיו, כשהפונקציה lemmatize זמינה, אפשר להשתמש בה כדי לשלב קטגוריות.

חיפוש המילה שמסכמת בצורה הטובה ביותר את הקטגוריה

קודם כל, יוצרים DataFrame של כל הקטגוריות במסד הנתונים.

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()

הפלט הצפוי:

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

בשלב הבא, יוצרים DataFrame של כל המילים בקטגוריות, מלבד כמה מילים ריקות כמו סימני פיסוק ו-item.

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()

הפלט הצפוי:

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

חשוב לזכור: ביצוע למידת lemma אחרי הקיבוץ מפחית את העומס על Cloud Function. אפשר להחיל את פונקציית ה-lemmatize על כל כמה מיליוני השורות במסד הנתונים, אבל העלות תהיה גבוהה יותר מאשר החלה שלה אחרי הקיבוץ, וייתכן שתצטרכו להגדיל את המכסות.

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

הפלט הצפוי:

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

עכשיו, אחרי שהמילים עברו למילת ליבה, צריך לבחור את מילת הליבה שמסכמת בצורה הטובה ביותר את הקטגוריה. מאחר שיש מעט מילים פונקציונליות בקטגוריות, מומלץ להשתמש בהיוריזם הבא: אם מילה מופיעה בכמה קטגוריות אחרות, סביר להניח שהיא מתאימה יותר כמילה לסיכום (למשל, ויסקי).

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()

הפלט הצפוי:

	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

עכשיו, כשיש למונח מורחב אחד שמסכם כל קטגוריה, משלבים אותו ב-DataFrame המקורי.

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

הפלט הצפוי:

	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

השוואה בין מחוזות

כדאי להשוות בין המכירות בכל מחוז כדי לראות את ההבדלים.

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"))
)

חיפוש המוצר הנמכר ביותר (למהדורה) בכל מחוז.

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()

הפלט הצפוי:

	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

מה ההבדלים בין המחוזות השונים?

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

הפלט הצפוי:

lemma	
american	1
liqueur	1
vodka	15
whiskey	83

dtype: Int64

ברוב המחוזות, הוויסקי הוא המוצר הפופולרי ביותר לפי נפח, והוודקה היא המוצר הפופולרי ביותר ב-15 מחוזות. אפשר להשוות את הנתונים האלה לסוגי המשקאות החריפים הפופולריים ביותר במדינה.

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

הפלט הצפוי:

	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
...

נפח הוויסקי והוודקה כמעט זהה, והוודקה פופולרית מעט יותר מהוויסקי ברחבי המדינה.

השוואת יחסי

מה ייחודי במכירות בכל מחוז? מה מבדיל את המחוז משאר המדינה?

אפשר להשתמש במדד h של כהן כדי למצוא את נפחי המכירות של המשקאות החריפים שהשונות שלהם הכי גבוהה באופן יחסי מהצפוי על סמך היחס של המכירות ברחבי המדינה.

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"))
)

עכשיו, אחרי שמדדתם את הערך של h של כהן לכל למונית, עליכם למצוא את ההבדל הגדול ביותר מהפרופורציה ברמת המדינה בכל מחוז.

# 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()

הפלט הצפוי:

	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

ככל שערך h של קוהן גבוה יותר, כך יש סיכוי גבוה יותר שיש הבדל בעל מובהקות סטטיסטית בכמות של סוג האלכוהול הזה שנצרך בהשוואה לממוצעים במדינה. בערכים החיוביים הקטנים יותר, ההבדל בצריכה שונה מהממוצע במדינה, אבל יכול להיות שהוא נובע מהבדלים אקראיים.

הערה: נראה ש-EL PASO county הוא לא מחוז באייווה. יכול להיות שזה מעיד על צורך נוסף בניקוי נתונים לפני שאפשר להסתמך במלואה על התוצאות האלה.

הצגת מחוזות

משלבים עם טבלה bigquery-public-data.geo_us_boundaries.counties כדי לקבל את האזור הגיאוגרפי של כל מחוז. שמות המחוזות לא ייחודיים בארצות הברית, לכן צריך לסנן כך שיכללו רק מחוזות מאיווה. קוד ה-FIPS של איווה הוא '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

הפלט הצפוי:

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

אפשר להשתמש ב-GeoPandas כדי להציג את ההבדלים האלה במפה.

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,
)

מפה של משקאות אלכוהוליים שהיחס שלהם לנפח המכירות במדינה שונה הכי הרבה מכל המחוזות

9. הסרת המשאבים

אם יצרתם פרויקט חדש ב-Google Cloud לצורך המדריך הזה, תוכלו למחוק אותו כדי למנוע חיובים נוספים על טבלאות או משאבים אחרים שיצרתם.

לחלופין, אפשר למחוק את Cloud Functions, את חשבונות השירות ואת מערכי הנתונים שנוצרו במדריך הזה.

10. מעולה!

ניקיתם וניתחתם נתונים מובְנים באמצעות BigQuery DataFrames. לאורך הדרך, למדתם על מערכי הנתונים הציבוריים של Google Cloud, על ספרי העריכה של Python ב-BigQuery Studio, על BigQuery ML, על BigQuery Remote Functions ועל היכולות של BigQuery DataFrames. עבודה נהדרת!

השלבים הבאים