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
לפני שמתחילים
כדי לפעול לפי ההוראות במדריך הזה, תצטרכו פרויקט ב-Google Cloud שבו מופעל BigQuery Studio וחשבון חיוב מחובר.
- במסוף Google Cloud, בדף לבחירת הפרויקט, בוחרים או יוצרים פרויקט ב-Google Cloud.
- מוודאים שהחיוב מופעל בפרויקט שלכם ב-Google Cloud. כך בודקים אם החיוב מופעל בפרויקט
- פועלים לפי ההוראות להפעלת BigQuery Studio לניהול נכסים.
הכנת BigQuery Studio
יוצרים מחברת ריקה ומחברים אותה לסביבת זמן ריצה.
- עוברים אל BigQuery Studio במסוף Google Cloud.
- לוחצים על ▼ לצד הלחצן +.
- בוחרים באפשרות Python notebook.
- סוגרים את בורר התבניות.
- בוחרים באפשרות + קוד כדי ליצור תא קוד חדש.
- מתקינים את הגרסה האחרונה של חבילת BigQuery DataFrames מתא הבקרה של הקוד.מקלידים את הפקודה הבאה.
לוחצים על הלחצן הרצת תא או על Shift + Enter כדי להריץ את תא הקוד.%pip install --upgrade bigframes --quiet
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:
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:
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:
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:
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:
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:
אפשר לחשב את המספר הממוצע של ליטר אלכוהול שנרכשו בשתי דרכים שונות:
- מהו הסכום הממוצע של אלכוהול שנרכש לכל אדם באייווה?
- 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:
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)
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)
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,
)
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
- אפשר להחיל את השלבים האלה על נתונים אחרים, כמו מסד נתוני השמות של ארה"ב.
- כדאי לנסות ליצור קוד Python ב-notebook. קובצי notebook של Python ב-BigQuery Studio מבוססים על Colab Enterprise. טיפ: אני ממליץ לבקש עזרה ביצירת נתוני בדיקה.
- ב-GitHub תוכלו למצוא חיבורים לדפי קוד לדוגמה של BigQuery DataFrames.
- יצירת לוח זמנים להרצת מסמך ב-BigQuery Studio
- פריסת פונקציה מרוחקת עם BigQuery DataFrames כדי לשלב חבילות Python של צד שלישי עם BigQuery.