1. खास जानकारी
इस लैब में, आपको Iowa में शराब की बिक्री के सार्वजनिक डेटासेट को साफ़ करने और उसका विश्लेषण करने के लिए, BigQuery Studio में Python नोटबुक से BigQuery डेटाफ़्रेम का इस्तेमाल करना होगा. अहम जानकारी पाने के लिए, BigQuery ML और रिमोट फ़ंक्शन की सुविधाओं का इस्तेमाल करें.
आपको अलग-अलग भौगोलिक इलाकों में होने वाली बिक्री की तुलना करने के लिए, Python नोटबुक बनानी होगी. इसे किसी भी स्ट्रक्चर्ड डेटा पर काम करने के लिए अडजस्ट किया जा सकता है.
मकसद
इस लैब में, आपको ये काम करने का तरीका पता चलेगा:
- BigQuery Studio में Python नोटबुक चालू करना और उनका इस्तेमाल करना
- BigQuery DataFrames पैकेज का इस्तेमाल करके, BigQuery से कनेक्ट करना
- BigQuery ML का इस्तेमाल करके लीनियर रिग्रेशन बनाना
- pandas जैसे सिंटैक्स का इस्तेमाल करके, जटिल एग्रीगेशन और जॉइन करें
2. ज़रूरी शर्तें
शुरू करने से पहले
इस कोडलैब में दिए गए निर्देशों का पालन करने के लिए, आपके पास BigQuery Studio की सुविधा वाला Google Cloud प्रोजेक्ट और उससे जुड़ा बिलिंग खाता होना चाहिए.
- Google Cloud Console में, प्रोजेक्ट चुनने वाले पेज पर, Google Cloud प्रोजेक्ट चुनें या बनाएं
- पक्का करें कि आपके Google Cloud प्रोजेक्ट के लिए बिलिंग की सुविधा चालू हो. किसी प्रोजेक्ट के लिए बिलिंग की सुविधा चालू है या नहीं, यह देखने का तरीका जानें
- एसेट मैनेजमेंट के लिए BigQuery Studio चालू करने के लिए, दिए गए निर्देशों का पालन करें.
BigQuery Studio को तैयार करना
कोई खाली नोटबुक बनाएं और उसे किसी रनटाइम से कनेक्ट करें.
- Google Cloud Console में, BigQuery Studio पर जाएं.
- + बटन के बगल में मौजूद ▼ पर क्लिक करें.
- Python नोटबुक चुनें.
- टेंप्लेट सिलेक्टर बंद करें.
- नई कोड सेल बनाने के लिए, + कोड चुनें.
- कोड सेल से, BigQuery DataFrames पैकेज का नया वर्शन इंस्टॉल करें.इसके लिए, यह कमांड टाइप करें.
कोड सेल को चलाने के लिए, सेल चलाएं बटन पर क्लिक करें या Shift + Enter दबाएं.%pip install --upgrade bigframes --quiet
3. सार्वजनिक डेटासेट को पढ़ना
किसी नई कोड सेल में नीचे दी गई कोड चलाकर, BigQuery DataFrames पैकेज को शुरू करें:
import bigframes.pandas as bpd
bpd.options.bigquery.ordering_mode = "partial"
bpd.options.display.repr_mode = "deferred"
ध्यान दें: इस ट्यूटोरियल में, हम एक्सपेरिमेंट के तौर पर उपलब्ध "कुछ हिस्से को क्रम से लगाने वाले मोड" का इस्तेमाल करते हैं. इससे, pandas जैसे फ़िल्टर का इस्तेमाल करके ज़्यादा असरदार क्वेरी की जा सकती हैं. ऐसा हो सकता है कि pandas की कुछ सुविधाएं काम न करें. इन सुविधाओं के लिए, डेटा को क्रम से लगाना या इंडेक्स करना ज़रूरी होता है.
bigframes
पैकेज का वर्शन देखने के लिए,
bpd.__version__
इस ट्यूटोरियल के लिए, 1.27.0 या इसके बाद का वर्शन ज़रूरी है.
आयोवा में शराब की खुदरा बिक्री
आयोवा में शराब की खुदरा बिक्री का डेटासेट, Google Cloud के सार्वजनिक डेटासेट प्रोग्राम की मदद से BigQuery पर उपलब्ध कराया जाता है. इस डेटासेट में, 1 जनवरी, 2012 से अब तक, आयोवा राज्य में खुदरा दुकानदारों की ओर से, लोगों को बेचने के लिए थोक में खरीदी गई शराब की जानकारी शामिल है. डेटा को आयोवा डिपार्टमेंट ऑफ़ कॉमर्स के अल्कोहलिक बेवरेज डिवीज़न से इकट्ठा किया जाता है.
आयोवा में शराब की खुदरा बिक्री का विश्लेषण करने के लिए, BigQuery में bigquery-public-data.iowa_liquor_sales.sales क्वेरी करें. क्वेरी स्ट्रिंग या टेबल आईडी से DataFrame बनाने के लिए, bigframes.pandas.read_gbq()
तरीके का इस्तेमाल करें.
"df" नाम का डेटाफ़्रेम बनाने के लिए, नई कोड सेल में नीचे दिए गए कोड को चलाएं:
df = bpd.read_gbq_table("bigquery-public-data.iowa_liquor_sales.sales")
DataFrame के बारे में बुनियादी जानकारी
डेटा का एक छोटा सैंपल डाउनलोड करने के लिए, DataFrame.peek()
तरीके का इस्तेमाल करें.
इस सेल को चलाएं:
df.peek()
अनुमानित आउटपुट:
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 ...
ध्यान दें: head()
के लिए क्रम से लगाने की ज़रूरत होती है. साथ ही, अगर आपको डेटा का सैंपल विज़ुअलाइज़ करना है, तो आम तौर पर peek()
से बेहतर परफ़ॉर्म नहीं करता.
pandas की तरह ही, सभी उपलब्ध कॉलम और उनके डेटा टाइप देखने के लिए, DataFrame.dtypes
प्रॉपर्टी का इस्तेमाल करें. इन्हें pandas के साथ काम करने वाले तरीके से दिखाया जाता है.
इस सेल को चलाएं:
df.dtypes
अनुमानित आउटपुट:
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()
तरीका, DataFrame से कुछ बुनियादी आंकड़ों के बारे में क्वेरी करता है. खास जानकारी वाले इन आंकड़ों को Pandas DataFrame के तौर पर डाउनलोड करने के लिए, DataFrame.to_pandas()
चलाएं.
इस सेल को चलाएं:
df.describe("all").to_pandas()
अनुमानित आउटपुट:
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. डेटा को विज़ुअलाइज़ करना और उसे साफ़ करना
आयोवा में शराब की खुदरा बिक्री का डेटासेट, भौगोलिक जानकारी के साथ-साथ खुदरा स्टोर की जगह की जानकारी भी देता है. अलग-अलग भौगोलिक इलाकों में रुझानों और अंतर की पहचान करने के लिए, इस डेटा का इस्तेमाल करें.
हर पिन कोड के हिसाब से बिक्री को विज़ुअलाइज़ करना
विज़ुअलाइज़ेशन के लिए, पहले से मौजूद कई तरीके हैं. जैसे, DataFrame.plot.hist(). पिन कोड के हिसाब से शराब की बिक्री की तुलना करने के लिए, इस तरीके का इस्तेमाल करें.
volume_by_zip = df.groupby("zip_code").agg({"volume_sold_liters": "sum"})
volume_by_zip.plot.hist(bins=20)
अनुमानित आउटपुट:
बार चार्ट का इस्तेमाल करके देखें कि किन पिन कोड वाले इलाकों में सबसे ज़्यादा शराब बेची गई.
(
volume_by_zip
.sort_values("volume_sold_liters", ascending=False)
.head(25)
.to_pandas()
.plot.bar(rot=80)
)
अनुमानित आउटपुट:
डेटा को साफ़ करना
कुछ पिन कोड के आखिर में .0
होता है. हो सकता है कि डेटा इकट्ठा करने के दौरान, पिन कोड को गलती से फ़्लोटिंग पॉइंट वैल्यू में बदल दिया गया हो. पिन कोड को ठीक करने के लिए रेगुलर एक्सप्रेशन का इस्तेमाल करें और फिर से विश्लेषण करें.
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)
)
अनुमानित आउटपुट:
5. बिक्री में संबंधों का पता लगाना
कुछ पिन कोड की बिक्री, दूसरे पिन कोड की तुलना में ज़्यादा क्यों होती है? एक अनुमान के मुताबिक, ऐसा आबादी के हिसाब से हो सकता है. ज़्यादा आबादी वाले पिन कोड में शराब की ज़्यादा बिक्री हो सकती है.
जनसंख्या और शराब की बिक्री के वॉल्यूम के बीच के संबंध का हिसाब लगाकर, इस अनुमान की जांच करें.
अन्य डेटासेट से जॉइन करना
जनसंख्या के डेटासेट से जॉइन करें. जैसे, अमेरिकन कम्यूनिटी सर्वे के पिन कोड टैब्यूलेशन एरिया सर्वे.
census_acs = bpd.read_gbq_table("bigquery-public-data.census_bureau_acs.zcta_2020_5yr")
अमेरिकन कम्यूनिटी सर्वे, राज्यों की पहचान GEOID से करता है. पिन कोड वाले टैब्यूलेशन एरिया के मामले में, GEOID, पिन कोड के बराबर होता है.
volume_by_pop = volume_by_zip.join(
census_acs.set_index("geo_id")
)
पिन कोड वाले टैब्यूलेशन एरिया की आबादी की तुलना, बेचे गए शराब के लीटर से करने के लिए स्कैटर प्लॉट बनाएं.
(
volume_by_pop[["volume_sold_liters", "total_pop"]]
.to_pandas()
.plot.scatter(x="total_pop", y="volume_sold_liters")
)
अनुमानित आउटपुट:
सहसंबंधों का हिसाब लगाना
रुझान, रैखिक दिखता है. इस डेटा में लीनियर रिग्रेशन मॉडल फ़िट करें, ताकि यह पता लगाया जा सके कि जनसंख्या से शराब की बिक्री का अनुमान कितना सही लगाया जा सकता है.
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
तरीके का इस्तेमाल करके देखें कि फ़िट कितना अच्छा है.
model.score(feature_columns, label_columns).to_pandas()
आउटपुट का सैंपल:
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
सबसे अच्छी फ़िट लाइन बनाएं, लेकिन पॉप्युलेशन वैल्यू की रेंज पर predict
फ़ंक्शन को कॉल करें.
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",
)
अनुमानित आउटपुट:
हेटरोस्केडैस्टिसिटी को ठीक करना
पिछले चार्ट में मौजूद डेटा, हेटरोस्केडैस्टिक (अलग-अलग वैल्यू के लिए अलग-अलग वैरिएंस) है. डेटा की संख्या बढ़ने पर, सबसे अच्छी फ़िट लाइन के आस-पास का वैरिएंस बढ़ता है.
शायद हर व्यक्ति के हिसाब से, अल्कोहल की खरीदारी की संख्या अपेक्षाकृत एक जैसी हो.
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")
)
अनुमानित आउटपुट:
खरीदे गए शराब के औसत लीटर का हिसाब दो अलग-अलग तरीकों से लगाया जा सकता है:
- आयोवा में हर व्यक्ति ने औसतन कितनी शराब खरीदी?
- हर पिन कोड के हिसाब से, हर व्यक्ति ने कितनी शराब खरीदी.
(1) में यह दिखाया गया है कि पूरे राज्य में कितनी शराब खरीदी गई. (2) में, औसत पिन कोड दिखता है. यह ज़रूरी नहीं कि यह (1) जैसा ही हो, क्योंकि अलग-अलग पिन कोड में लोगों की संख्या अलग-अलग होती है.
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
अनुमानित आउटपुट: 87.997
average_per_zip = volume_per_pop["liters_per_pop"].mean()
average_per_zip
अनुमानित आउटपुट: 67.139
ऊपर बताए गए तरीके से, इन औसत को प्लॉट करें.
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")
अनुमानित आउटपुट:
अब भी कुछ पिन कोड ऐसे हैं जो आउटलायर के तौर पर बहुत ज़्यादा हैं. खास तौर पर, कम आबादी वाले इलाकों में. इसकी वजह का अनुमान लगाना आपके लिए है. उदाहरण के लिए, ऐसा हो सकता है कि कुछ पिन कोड वाले इलाकों में कम लोग हों, लेकिन शराब की खपत ज़्यादा हो. इसकी वजह यह हो सकती है कि उस इलाके में शराब की दुकान सिर्फ़ एक हो. अगर ऐसा है, तो आस-पास के पिन कोड की आबादी के आधार पर गिनती करने से, इन आउटलायर को भी बाहर रखा जा सकता है.
6. बेची गई शराब के टाइप की तुलना करना
भौगोलिक डेटा के अलावा, आयोवा के शराब के खुदरा बिक्री के डेटाबेस में, बेचे गए आइटम के बारे में पूरी जानकारी भी शामिल होती है. इनका विश्लेषण करके, हम अलग-अलग इलाकों में लोगों की पसंद के अंतर का पता लगा सकते हैं.
श्रेणियों के बारे में और जानें
डेटाबेस में आइटम की कैटगरी तय की जाती है. कितनी कैटगरी हैं?
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()
अनुमानित आउटपुट: 103
वॉल्यूम के हिसाब से सबसे लोकप्रिय कैटगरी कौनसी हैं?
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)
ARRAY डेटा टाइप के साथ काम करना
व्हिस्की, रम, वोदका वगैरह की कई कैटगरी होती हैं. मुझे इनका ग्रुप बनाना है.
Series.str.split() तरीके का इस्तेमाल करके, कैटगरी के नामों को अलग-अलग शब्दों में बांटें. explode()
तरीके का इस्तेमाल करके, इस सेट से बनाए गए ऐरे को अननेस्ट करें.
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()
अनुमानित आउटपुट: 113
ऊपर दिए गए चार्ट को देखकर पता चलता है कि डेटा में VODKA और VODKAS अब भी अलग-अलग हैं. कैटगरी को छोटे सेट में छोटा करने के लिए, ज़्यादा ग्रुपिंग की ज़रूरत होती है.
7. BigQuery डेटाफ़्रेम के साथ NLTK का इस्तेमाल करना
सिर्फ़ 100 कैटगरी के लिए, कुछ अनुमान लगाए जा सकते हैं. इसके अलावा, कैटगरी से शराब के टाइप तक मैपिंग को मैन्युअल तरीके से भी बनाया जा सकता है. इसके अलावा, इस तरह की मैपिंग बनाने के लिए, Gemini जैसे लार्ज लैंग्वेज मॉडल का इस्तेमाल किया जा सकता है. Gemini के साथ BigQuery डेटाफ़्रेम का इस्तेमाल करने के लिए, BigQuery डेटाफ़्रेम का इस्तेमाल करके, अस्ट्रक्चर्ड डेटा से अहम जानकारी पाना कोडलैब आज़माएं.
इसके बजाय, इस डेटा को प्रोसेस करने के लिए, नैचुरल लैंग्वेज प्रोसेसिंग के पारंपरिक पैकेज, NLTK का इस्तेमाल करें. "स्टेंमर" नाम की टेक्नोलॉजी, एक से ज़्यादा और एकवचन वाले संज्ञाओं को एक ही वैल्यू में मर्ज कर सकती है. उदाहरण के लिए.
शब्दों को स्टेम करने के लिए NLTK का इस्तेमाल करना
NLTK पैकेज, नैचुरल लैंग्वेज प्रोसेसिंग के ऐसे तरीके उपलब्ध कराता है जिन्हें Python से ऐक्सेस किया जा सकता है. इसे आज़माने के लिए पैकेज इंस्टॉल करें.
%pip install nltk
इसके बाद, पैकेज इंपोर्ट करें. वर्शन की जांच करें. इसका इस्तेमाल ट्यूटोरियल में बाद में किया जाएगा.
import nltk
nltk.__version__
शब्द को "स्टैंडर्ड" करने के लिए, शब्द को "स्टैम" करने का एक तरीका. इससे किसी भी तरह के सफ़िक्स हट जाते हैं, जैसे कि बहुवचन के लिए "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)
इसे कुछ शब्दों पर आज़माएं.
stem("WHISKEY")
अनुमानित आउटपुट: whiskey
stem("WHISKIES")
अनुमानित आउटपुट: whiski
माफ़ करें, इससे व्हिस्की को व्हिस्की के तौर पर मैप नहीं किया गया. स्टैमर, अनियमित बहुवचन के साथ अच्छी तरह से काम नहीं करते. लेममाटाइज़र का इस्तेमाल करें. यह "लेममा" नाम के मूल शब्द की पहचान करने के लिए, ज़्यादा बेहतर तकनीकों का इस्तेमाल करता है.
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())
इसे कुछ शब्दों पर आज़माएं.
lemmatize("WHISKIES")
अनुमानित आउटपुट: whisky
lemmatize("WHISKY")
अनुमानित आउटपुट: whisky
lemmatize("WHISKEY")
अनुमानित आउटपुट: whiskey
माफ़ करें, यह लेममाटाइज़र, "व्हिस्की" को "व्हिस्की" के लेममा पर मैप नहीं करता. यह शब्द, आयोवा में रीटेल शराब की बिक्री के डेटाबेस के लिए खास तौर पर अहम है. इसलिए, इसे किसी डिक्शनरी का इस्तेमाल करके, मैन्युअल तरीके से अमेरिकन स्पेलिंग में मैप करें.
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)
इसे कुछ शब्दों पर आज़माएं.
lemmatize("WHISKIES")
अनुमानित आउटपुट: whiskey
lemmatize("WHISKEY")
अनुमानित आउटपुट: whiskey
बधाई हो! कैटगरी को छोटा करने के लिए, यह लेममाटाइज़र अच्छी तरह से काम करेगा. BigQuery के साथ इसका इस्तेमाल करने के लिए, आपको इसे क्लाउड पर डिप्लॉय करना होगा.
फ़ंक्शन डिप्लॉयमेंट के लिए अपना प्रोजेक्ट सेट अप करना
इसे क्लाउड पर डिप्लॉय करने से पहले, आपको एक बार सेटअप करना होगा, ताकि BigQuery इस फ़ंक्शन को ऐक्सेस कर सके.
एक नई कोड सेल बनाएं और your-project-id
को उस Google Cloud प्रोजेक्ट आईडी से बदलें जिसका इस्तेमाल इस ट्यूटोरियल के लिए किया जा रहा है.
project_id = "your-project-id"
बिना किसी अनुमति वाला सेवा खाता बनाएं, क्योंकि इस फ़ंक्शन को किसी भी क्लाउड संसाधन का ऐक्सेस नहीं चाहिए.
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)
अनुमानित आउटपुट: bigframes-no-permissions@your-project-id.iam.gserviceaccount.com
फ़ंक्शन को सेव करने के लिए, BigQuery डेटासेट बनाएं.
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)
रिमोट फ़ंक्शन डिप्लॉय करना
अगर Cloud Functions API पहले से चालू नहीं है, तो उसे चालू करें.
!gcloud services enable cloudfunctions.googleapis.com
अब, अपने फ़ंक्शन को उस डेटासेट में डिप्लॉय करें जिसे आपने अभी बनाया है. पिछले चरणों में बनाए गए फ़ंक्शन में @bpd.remote_function
डेकोरेटर जोड़ें.
@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)
डिप्लॉयमेंट में करीब दो मिनट लगेंगे.
रिमोट के फ़ंक्शन इस्तेमाल करना
डिप्लॉयमेंट पूरा होने के बाद, इस फ़ंक्शन की जांच की जा सकती है.
lemmatize = bpd.read_gbq_function(f"{project_id}.functions.lemmatize")
words = bpd.Series(["whiskies", "whisky", "whiskey", "vodkas", "vodka"])
words.apply(lemmatize).to_pandas()
अनुमानित आउटपुट:
0 whiskey
1 whiskey
2 whiskey
3 vodka
4 vodka
dtype: string
8. देश के हिसाब से शराब के सेवन की तुलना करना
अब lemmatize
फ़ंक्शन उपलब्ध है. इसका इस्तेमाल करके, कैटगरी को आपस में जोड़ें.
कैटगरी की खास जानकारी देने वाला शब्द ढूंढना
सबसे पहले, डेटाबेस में सभी कैटगरी का DataFrame बनाएं.
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()
अनुमानित आउटपुट:
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
इसके बाद, कैटगरी में मौजूद सभी शब्दों का डेटाफ़्रेम बनाएं. हालांकि, इसमें विराम चिह्न और "आइटम" जैसे कुछ शब्द शामिल न करें.
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()
अनुमानित आउटपुट:
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
ध्यान दें कि ग्रुप करने के बाद लेममाटाइज़ करने से, आपके Cloud फ़ंक्शन पर लोड कम हो जाता है. डेटाबेस में मौजूद लाखों लाइनों में से हर पंक्ति पर, लेममाटाइज़ फ़ंक्शन लागू किया जा सकता है. हालांकि, ग्रुप करने के बाद इसे लागू करने की तुलना में, इसकी लागत ज़्यादा होगी. साथ ही, इसके लिए कोटा बढ़ाने की ज़रूरत पड़ सकती है.
lemmas = words.assign(lemma=lambda _: _["word"].apply(lemmatize))
lemmas.to_pandas()
अनुमानित आउटपुट:
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
अब शब्दों को लेम्मा में बदल दिया गया है. आपको वह लेम्मा चुनना होगा जो कैटगरी के बारे में सबसे सही जानकारी देता हो. कैटगरी में फ़ंक्शन वाले ज़्यादा शब्द नहीं होते.इसलिए, इस हेयुरिस्टिक का इस्तेमाल करें कि अगर कोई शब्द कई अन्य कैटगरी में दिखता है, तो हो सकता है कि वह खास जानकारी देने वाले शब्द के तौर पर बेहतर हो. जैसे, व्हिस्की.
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()
अनुमानित आउटपुट:
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
अब हर कैटगरी की खास जानकारी देने वाला एक लेमा है. इसे ओरिजनल डेटाफ़्रेम में मर्ज करें.
df_with_lemma = df.merge(
categories_mapping,
on="category_name",
how="left"
)
df_with_lemma[df_with_lemma['category_name'].notnull()].peek()
अनुमानित आउटपुट:
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
काउंटी की तुलना करना
हर देश/इलाके में होने वाली बिक्री की तुलना करके देखें कि उनमें क्या अंतर है.
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"))
)
हर देश में सबसे ज़्यादा बिकने वाला प्रॉडक्ट (लेमा) ढूंढें.
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()
अनुमानित आउटपुट:
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
काउंटी एक-दूसरे से कितनी अलग हैं?
county_max_lemma.groupby("lemma").size().to_pandas()
अनुमानित आउटपुट:
lemma
american 1
liqueur 1
vodka 15
whiskey 83
dtype: Int64
ज़्यादातर देशों में, वाइन की मात्रा के हिसाब से व्हिस्की सबसे लोकप्रिय प्रॉडक्ट है. वहीं, 15 देशों में वोदका सबसे लोकप्रिय है. इसकी तुलना, राज्य में सबसे लोकप्रिय शराब के टाइप से करें.
total_liters = (
df_with_lemma
.groupby("lemma")
.agg({"volume_sold_liters": "sum"})
.sort_values("volume_sold_liters", ascending=False)
)
total_liters.to_pandas()
अनुमानित आउटपुट:
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
...
विस्की और वोडका की मात्रा लगभग एक जैसी है. हालांकि, पूरे राज्य में वोडका की मात्रा विस्की से थोड़ी ज़्यादा है.
अनुपात की तुलना करना
हर देश/इलाके में बिक्री की खास बात क्या है? यह काउंटी, राज्य के बाकी हिस्सों से किस तरह अलग है?
कोहेन के h मेज़र का इस्तेमाल करके पता लगाएं कि शराब की बिक्री के वॉल्यूम, राज्य में होने वाली बिक्री के अनुपात के हिसाब से, उम्मीद से कितने अलग हैं.
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"))
)
अब हर लेमा के लिए कोहेन का h मेज़र किया जा चुका है. इसलिए, हर काउंटी में राज्य के अनुपात से सबसे बड़ा अंतर ढूंढें.
# 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()
अनुमानित आउटपुट:
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
कोहेन की h वैल्यू जितनी ज़्यादा होगी, इस बात की संभावना उतनी ही ज़्यादा होगी कि राज्य के औसत की तुलना में, उस तरह के अल्कोहल के सेवन में आंकड़ों के हिसाब से काफ़ी अंतर है. छोटी पॉज़िटिव वैल्यू के लिए, खपत में अंतर, पूरे राज्य के औसत से अलग होता है. हालांकि, ऐसा अलग-अलग वजहों से हो सकता है.
एक और बात: ऐसा लगता है कि एएल पासो काउंटी, आयोवा में मौजूद काउंटी नहीं है. इससे पता चलता है कि इन नतीजों पर पूरी तरह से भरोसा करने से पहले, डेटा को फिर से व्यवस्थित करने की ज़रूरत है.
काउंटी को विज़ुअलाइज़ करना
हर काउंटी का भौगोलिक क्षेत्र पाने के लिए, bigquery-public-data.geo_us_boundaries.counties
टेबल से जॉइन करें. अमेरिका में सभी देशों के नाम यूनीक नहीं होते. इसलिए, फ़िल्टर का इस्तेमाल करके सिर्फ़ आयोवा की काउंटी शामिल करें. आयोवा का एफ़आईपीएस कोड ‘19' है.
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
अनुमानित आउटपुट:
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
इन अंतरों को मैप पर विज़ुअलाइज़ करने के लिए, GeoPandas का इस्तेमाल करें.
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. व्यवस्थित करें
अगर आपने इस ट्यूटोरियल के लिए नया Google Cloud प्रोजेक्ट बनाया है, तो टेबल या बनाए गए अन्य संसाधनों के लिए अतिरिक्त शुल्क से बचने के लिए, इसे मिटाया जा सकता है.
इसके अलावा, इस ट्यूटोरियल के लिए बनाए गए Cloud Functions, सेवा खाते, और डेटासेट मिटाएं.
10. बधाई हो!
आपने BigQuery डेटाफ़्रेम का इस्तेमाल करके, स्ट्रक्चर्ड डेटा को क्लीन किया है और उसका विश्लेषण किया है. इस दौरान, आपने Google Cloud के सार्वजनिक डेटासेट, BigQuery Studio में Python नोटबुक, BigQuery ML, BigQuery के रिमोट फ़ंक्शन, और BigQuery डेटाफ़्रेम की सुविधाओं के बारे में जाना है. बहुत बढ़िया!
अगले चरण
- इस तरीके को अन्य डेटा पर भी लागू करें. जैसे, अमेरिका के नामों का डेटाबेस.
- अपनी नोटबुक में Python कोड जनरेट करने की कोशिश करें. BigQuery Studio में Python नोटबुक, Colab Enterprise की मदद से काम करती हैं. अहम जानकारी: मुझे टेस्ट डेटा जनरेट करने में मदद मांगना काफ़ी मददगार लगता है.
- GitHub पर, BigQuery डेटाफ़्रेम के लिए सैंपल नोटबुक एक्सप्लोर करें.
- BigQuery Studio में नोटबुक चलाने के लिए शेड्यूल बनाएं.
- तीसरे पक्ष के Python पैकेज को BigQuery के साथ इंटिग्रेट करने के लिए, BigQuery डेटाफ़्रेम के साथ रिमोट फ़ंक्शन डिप्लॉय करें.