Crea y ejecuta un notebook con la galería de notebooks

Galería de notebooks

La galería de notebooks es un centro para descubrir y usar plantillas de notebooks precompiladas. Estas plantillas te permiten realizar tareas comunes, como la preparación, el análisis y la visualización de datos. Las plantillas de notebooks también te ayudan a explorar las funciones de BigQuery Studio, administrar flujos de trabajo y promover las prácticas recomendadas.

Puedes usar las plantillas de la galería de notebooks para optimizar todo tu flujo de trabajo, desde la intención hasta las estadísticas, en cada etapa del ciclo de vida de los datos, desde la transferencia y la exploración hasta las estadísticas avanzadas y BigQuery ML.

La galería de notebooks proporciona plantillas para todos los niveles de habilidad. La galería incluye plantillas fundamentales para SQL, Python, Apache Spark y DataFrames. También puedes explorar temas como la IA generativa y el análisis de datos multimodal en BigQuery.

Para obtener más información sobre cómo usar las plantillas de la galería de notebooks, consulta Crea un notebook con la galería de notebooks.

Crea un notebook a partir de una plantilla de la galería de notebooks

En el siguiente ejemplo, se usa la plantilla Introducción a los notebooks en BigQuery Studio. En este notebook, se muestra cómo realizar estas tareas:

• Consulta datos: Ejecuta consultas con celdas de SQL.
• Visualiza los resultados de las consultas: Crea visualizaciones sin código con las celdas de visualización.
• Limpia y transforma datos: Ordena, quita duplicados y filtra tus datos con la API de BigQuery DataFrames (pandas).
• Ejecuta predicciones de IA: Genera predicciones con la (función AI.FORECAST) en BigQuery DataFrames. La función AI.FORECAST usa el modelo de base de TimesFM para generar predicciones directamente a partir de un conjunto de datos sin necesidad de entrenamiento de modelos.
• Traza datos: Traza datos con las bibliotecas de visualización integradas de Python. Traza los datos con la biblioteca de visualización de BigQuery DataFrames, con la tecnología de Matplotlib y Pandas.

Para usar el notebook, abre la plantilla, conviértela en un notebook ejecutable, conéctate al entorno de ejecución del notebook y, luego, ejecútalo.

Abre la plantilla y conviértela en un notebook ejecutable

Antes de poder usar un notebook creado a partir de una plantilla de la galería de notebooks, debes convertir la plantilla en un notebook ejecutable.

Para abrir la plantilla Introducción a los notebooks en BigQuery Studio en la galería de notebooks y convertirla en un notebook ejecutable, sigue estos pasos:

1. Ve a la página de Studio.

   Ir a Studio

2. Haz clic en el menú desplegable de flecha arrow_drop_down y, luego, elige Notebook > Todas las plantillas.

3. Como alternativa, en la página principal de BigQuery Studio, haz clic en Ver galería de notebooks.

   

4. Haz clic en la tarjeta Introducción a los notebooks en BigQuery Studio o búscala en la galería.

5. Después de que se abra la plantilla, haz clic en Usar esta plantilla para convertirla en un notebook ejecutable.

Conéctate al entorno de ejecución predeterminado

Antes de ejecutar el notebook, debes conectarlo a un entorno de ejecución de Gemini Enterprise Agent Platform. Un entorno de ejecución es un recurso de procesamiento que ejecuta el código en tu notebook. El entorno de ejecución debe estar en la misma región que el notebook.

Para obtener más información sobre los entornos de ejecución, consulta Entornos de ejecución y plantillas de entorno de ejecución. Para obtener más información sobre cómo establecer la configuración regional, consulta Establece la región predeterminada para los recursos de código.

En este instructivo, usarás el entorno de ejecución predeterminado. El entorno de ejecución predeterminado es un entorno de ejecución predeterminado que requiere una configuración mínima. Para conectarte al entorno de ejecución predeterminado, sigue estos pasos:

1. Con el notebook abierto, haz clic en Conectar.

   Es posible que la conexión al entorno de ejecución predeterminado demore varios minutos si aún no tienes un entorno de ejecución activo.

2. Cuando el entorno de ejecución esté listo, deberías ver una marca de verificación con gráficos de RAM y disco. Si colocas el cursor sobre los gráficos, verás el tipo de entorno de ejecución y su configuración.

   

Ejecuta el notebook

La introducción a los notebooks en BigQuery Studio contiene celdas de texto, SQL, visualización y código. Las celdas que no son de texto se pueden ejecutar de forma individual, o bien puedes ejecutar todas las celdas en orden, de la primera a la última.

En este instructivo, ejecutarás las celdas del notebook de forma individual para que puedas ver los resultados en etapas. Para ejecutar el notebook, haz lo siguiente:

1. En la sección Consulta tus datos con celdas de SQL, coloca el cursor sobre la celda de SQL y, luego, haz clic en play_circle Ejecutar celda.

   

   Esta celda de SQL consulta la tabla bigquery-public-data.epa_historical_air_quality.pm25_frm_daily_summary en el conjunto de datos públicos de calidad del aire histórica y devuelve el promedio diario de PM2.5 (una métrica común de calidad del aire) para San Francisco en los últimos años.

2. Observa los resultados. Los resultados de la consulta se muestran en un DataFrame.

   

3. En la sección Visualiza datos, coloca el cursor sobre la celda de visualización y, luego, haz clic en play_circle Ejecutar celda.

4. Visualiza la visualización generada.

   

   El resultado muestra un gráfico de series temporales que traza los valores promedio diarios de PM2.5 en el DataFrame df que generaste anteriormente. En este gráfico, se muestra la tendencia de los niveles de PM2.5 a lo largo del tiempo.

5. En la sección Limpia los datos, coloca el cursor sobre la celda de código y, luego, haz clic en play_circle Ejecutar celda.

6. Observa los resultados. Los resultados se muestran en un DataFrame.

   

   El código hace lo siguiente:

   • Importa la biblioteca bigframes.pandas.
   • Asegúrate de que el campo date_local sea una marca de tiempo.
   • Ordena los resultados por fecha, lo que es necesario para la previsión.
   • Quita las filas duplicadas.
   • Descarta las filas en las que avg_pm25 sea null.
   • Filtrar los valores atípicos
   • Muestra los resultados en un BigQuery DataFrames llamado df_cleaned.

7. En la sección Predice valores con AI.FORECAST, coloca el cursor sobre la celda de SQL y, luego, haz clic en play_circle Ejecutar celda.

8. Observa los resultados. Los resultados de la consulta se muestran en un DataFrame.

   

   Esta celda de SQL ejecuta una consulta que usa la función AI.FORECAST para prever el promedio diario futuro de PM2.5 con el DataFrame df_cleaned que generaste anteriormente.

9. En la sección Visualiza datos con Python, coloca el cursor sobre la celda de código y, luego, haz clic en play_circle Ejecutar celda.

10. Observa los resultados. Los resultados se muestran en un gráfico.

    

    El código de Python hace lo siguiente:

    • Importa el módulo datetime.
    • Primero, traza los datos históricos y obtén los ejes.
    • Traza los datos previstos en los mismos ejes.
    • Traza el intervalo de confianza.

    Esta visualización se parece al trazado estándar de Python, pero df_cleaned.plot es un comando de BigQuery DataFrames. El comando recupera solo los datos necesarios (una muestra) para renderizar el gráfico, no todo el conjunto de datos.