本頁面的部分或所有資訊可能不適用於 S3NS 的 Cloud de Confiance。詳情請參閱「與 Google Cloud 的差異」。

在筆記本中探索查詢結果

您可以在 BigQuery Colab Enterprise 筆記本中使用 SQL 儲存格或程式碼儲存格，探索查詢結果。

在本教學課程中，您將查詢 BigQuery 公開資料集的資料，並在筆記本中探索查詢結果。

目標

在 BigQuery 中建立及執行查詢。
使用 SQL 儲存格和程式碼儲存格，在筆記本中探索查詢結果。

費用

本教學課程使用Cloud de Confiance by S3NS 公開資料集計畫提供的資料集。這些資料集的儲存空間費用由 Google 支付，Google 也將這些資料集提供給大眾存取。您需要支付資料查詢費用。詳情請參閱 BigQuery 定價。

事前準備

在 Cloud de Confiance 控制台的專案選擇器頁面中，選取或建立 Cloud de Confiance 專案。
選取或建立專案所需的角色
- 選取專案：選取專案時，不需要具備特定 IAM 角色，只要您已獲授角色，即可選取任何專案。
- 建立專案：如要建立專案，您需要具備專案建立者角色 (roles/resourcemanager.projectCreator)，其中包含 resourcemanager.projects.create 權限。瞭解如何授予角色。
注意：如果您不打算保留在這項程序中建立的資源，請建立新專案，而不要選取現有專案。完成這些步驟後，您就可以刪除專案，並移除與該專案相關聯的所有資源。

前往專案選取器
確認專案已啟用計費功能 Cloud de Confiance 。
啟用 BigQuery API。
啟用 API 時所需的角色
如要啟用 API，您需要服務使用情形管理員 IAM 角色 (roles/serviceusage.serviceUsageAdmin)，其中包含 serviceusage.services.enable 權限。瞭解如何授予角色。
啟用 API

新專案會自動啟用 BigQuery。

設定程式碼資產的預設區域

Cloud de Confiance 專案中的所有新程式碼資產都會使用預設區域。資產建立後，就無法變更區域。

如要設定新程式碼資產的預設區域，請按照下列步驟操作：

前往「BigQuery」頁面

前往「BigQuery」
點選左側窗格中的「檔案」，開啟檔案瀏覽器：
在專案名稱旁，按一下「View files panel actions」(查看檔案面板動作) >「Switch code region」(切換程式碼區域)。
選取要設為預設的程式碼區域。
按一下 [儲存]。

如需支援的區域清單，請參閱「BigQuery Studio 位置」。

所需權限

如要建立及執行 Notebook，您必須具備下列 Identity and Access Management (IAM) 角色：

在筆記本中開啟查詢結果

您可以執行 SQL 查詢，然後使用筆記本探索資料。如果您想先修改 BigQuery 中的資料再進行處理，或是只需要資料表中的部分欄位，這個方法就非常實用。

前往 Cloud de Confiance 控制台的「BigQuery」頁面。

前往「BigQuery」
點選左側窗格中的「Explorer」。
前往 bigquery-public-data 專案，按一下「Toggle node」(切換節點) 展開專案，然後按一下「Datasets」(資料集)。詳細資料窗格會開啟新分頁，顯示專案中的所有資料集清單。
在「篩選條件」方塊中，選擇「資料集 ID」，然後輸入「ml_datasets」。
在「資料集」頁面，依序點選「ml_datasets」>「企鵝」。
按一下「查詢」。
在產生的查詢中加入星號 (*) 以選取欄位，如下列範例所示：
```
SELECT * FROM `bigquery-public-data.ml_datasets.penguins` LIMIT 1000;
```
按一下「執行」。
在「查詢結果」部分，依序點選「開啟方式」和「Notebook」。

準備使用筆記本

連線至執行階段並設定應用程式預設值，準備使用筆記本。

在筆記本標頭中，按一下「連線」即可連線至預設執行階段。
在「設定」程式碼區塊中，按一下「執行儲存格」。

探索資料

依序點選「插入程式碼儲存格」選項 >「新增 SQL 儲存格」。

在 SQL 儲存格中輸入下列查詢：

SELECT * FROM `bigquery-public-data.ml_datasets.penguins` LIMIT 1000;

按一下「Run cell」(執行儲存格)。

查詢結果會顯示在 BigQuery DataFrame 中。
或者，如要使用先前在查詢編輯器中執行的查詢工作，將查詢結果載入 BigQuery DataFrame，請按照下列步驟操作：
1. 前往「以 DataFrame 形式從 BigQuery 工作載入的結果集」一節。
2. 在程式碼區塊中，按一下「Run cell」(執行儲存格)。
  
  查詢結果會顯示在 BigQuery DataFrame 中。
如要取得資料的描述性指標，請按照下列步驟操作：
1. 前往「使用 describe() 顯示描述性統計資料」部分。
2. 在程式碼區塊中，按一下「Run cell」(執行儲存格)。
  
  結果會顯示在 BigQuery DataFrame 中。
選用：使用其他 Python 函式或套件探索及分析資料。

下列程式碼範例顯示如何使用 bigframes.pandas 分析資料，以及如何使用 bigframes.ml 從 BigQuery DataFrame 中的 penguins 資料建立線性迴歸模型：

import bigframes.pandas as bpd

# Load data from BigQuery
query_or_table = "bigquery-public-data.ml_datasets.penguins"
bq_df = bpd.read_gbq(query_or_table)

# Inspect one of the columns (or series) of the DataFrame:
bq_df["body_mass_g"]

# Compute the mean of this series:
average_body_mass = bq_df["body_mass_g"].mean()
print(f"average_body_mass: {average_body_mass}")

# Find the heaviest species using the groupby operation to calculate the
# mean body_mass_g:
(
    bq_df["body_mass_g"]
    .groupby(by=bq_df["species"])
    .mean()
    .sort_values(ascending=False)
    .head(10)
)

# Create the Linear Regression model
from bigframes.ml.linear_model import LinearRegression

# Filter down to the data we want to analyze
adelie_data = bq_df[bq_df.species == "Adelie Penguin (Pygoscelis adeliae)"]

# Drop the columns we don't care about
adelie_data = adelie_data.drop(columns=["species"])

# Drop rows with nulls to get our training data
training_data = adelie_data.dropna()

# Pick feature columns and label column
X = training_data[
    [
        "island",
        "culmen_length_mm",
        "culmen_depth_mm",
        "flipper_length_mm",
        "sex",
    ]
]
y = training_data[["body_mass_g"]]

model = LinearRegression(fit_intercept=False)
model.fit(X, y)
model.score(X, y)

清除所用資源

為避免因為本教學課程所用資源，導致系統向 Google Cloud 帳戶收取費用，請刪除含有相關資源的專案，或者保留專案但刪除個別資源。

如要避免付費，最簡單的方法就是刪除您為了本教學課程所建立的 Cloud de Confiance 專案。

前往 Cloud de Confiance 控制台的「Manage resources」(管理資源) 頁面。
前往「Manage resources」(管理資源)
在專案清單中選取要刪除的專案，然後點選「Delete」(刪除)。
在對話方塊中輸入專案 ID，然後按一下 [Shut down] (關閉) 以刪除專案。

後續步驟

進一步瞭解如何在 BigQuery 中建立筆記本。
進一步瞭解如何使用 BigQuery DataFrame 探索資料。