使用笔记本库创建和运行笔记本

笔记本库

笔记本库是您探索和使用预构建笔记本模板的中心枢纽。借助这些模板，您可以执行常见任务，例如数据准备、数据分析和可视化。笔记本模板还可帮助您探索 BigQuery Studio 功能、管理工作流和推广最佳实践。

您可以使用笔记本库模板，在数据生命周期的每个阶段（从注入和探索到高级分析和 BigQuery ML）简化整个意图到数据洞见工作流。

笔记本库提供了适合各种技能水平的模板。该库包含 SQL、Python、Apache Spark 和 DataFrame 的基本模板。您还可以探索 BigQuery 中的生成式 AI 和多模态数据分析等主题。

如需详细了解如何使用笔记本库模板，请参阅使用笔记本库创建笔记本。

通过笔记本库模板创建笔记本

以下示例使用“BigQuery Studio 中的笔记本简介”模板。此笔记本介绍了如何执行以下任务：

• 查询数据：使用 SQL 单元运行查询。
• 直观呈现查询结果：使用可视化图表单元，无需代码即可创建可视化图表。
• 清理和转换数据：使用 BigQuery DataFrames (pandas) API 对数据进行排序、去重和过滤。
• 运行 AI 预测：使用 BigQuery DataFrames 中的 (AI.FORECAST 函数) 生成预测。AI.FORECAST 函数使用 TimesFM 基础模型直接从数据集生成预测，无需进行模型训练。
• 绘制数据图：使用 Python 的内置可视化库绘制数据图。您可以使用 BigQuery DataFrames 可视化库（由 Matplotlib 和 Pandas 提供支持）绘制数据。

如需使用笔记本，请打开模板，将其转换为可运行的笔记本，连接到笔记本的运行时环境，然后运行笔记本。

打开模板并将其转换为可运行的笔记本

您必须先将模板转换为可运行的笔记本，然后才能使用根据笔记本库模板创建的笔记本。

如需在笔记本库中打开介绍 BigQuery Studio 中的笔记本模板，并将其转换为可运行的笔记本，请按照以下步骤操作：

1. 前往 Studio 页面。

   前往 Studio

2. 点击 arrow_drop_down 箭头下拉菜单，然后依次选择Notebook > 所有模板。

3. 或者，在 BigQuery Studio 首页中，点击查看笔记本库。

   

4. 点击 BigQuery Studio 中的笔记本简介卡片，或在库中搜索该卡片。

5. 模板打开后，点击使用此模板，将模板转换为可运行的笔记本。

连接到默认运行时

您必须先将笔记本连接到 Gemini Enterprise Agent Platform 运行时，然后才能运行笔记本。运行时是运行笔记本中代码的计算资源。 运行时必须与笔记本位于同一区域。

如需详细了解运行时，请参阅运行时和运行时模板。如需详细了解如何配置区域设置，请参阅为代码资产设置默认区域。

在本教程中，您将使用默认运行时。默认运行时是预设运行时，只需极少的设置。如需连接到默认运行时，请按照以下步骤操作：

1. 打开笔记本后，点击连接。

   如果尚无活跃运行时，则可能需要几分钟时间才能连接到默认运行时。

2. 运行时准备就绪后，您应该会看到一个对勾标记，并显示 RAM 和磁盘图表。如果将鼠标悬停在图表上，您会看到运行时类型和运行时的配置。

   

运行笔记本

BigQuery Studio 中的笔记本简介包含文本、SQL、可视化和代码单元。除文本单元以外，其他单元都可以单独运行，您也可以按从头到尾的顺序运行所有单元。

在本教程中，您将逐个运行笔记本中的单元，以便分阶段查看结果。如需运行笔记本，请执行以下操作：

1. 在使用 SQL 单元查询数据部分中，将鼠标悬停在 SQL 单元上，然后点击 play_circle 运行单元。

   

   此 SQL 单元会查询历史空气质量公共数据集中的 bigquery-public-data.epa_historical_air_quality.pm25_frm_daily_summary 表，并返回过去几年旧金山的每日平均 PM2.5（一种常见的空气质量指标）。

2. 查看结果。查询结果会显示在 DataFrame 中。

   

3. 在直观呈现数据部分中，将鼠标悬停在可视化单元上，然后点击 play_circle 运行单元。

4. 查看生成的可视化图表。

   

   结果会显示一个时序图表，其中绘制了您之前生成的 df DataFrame 中的每日平均 PM2.5 值。此图表显示了 PM2.5 水平随时间变化的趋势。

5. 在清理数据部分中，将鼠标悬停在代码单元上，然后点击 play_circle 运行单元。

6. 查看结果。结果会显示在 DataFrame 中。

   

   代码会执行以下操作：

   • 导入 bigframes.pandas 库。
   • 确保 date_local 字段为时间戳。
   • 按日期对结果进行排序，这是预测所必需的。
   • 移除重复的行。
   • 删除 avg_pm25 为 null 的行。
   • 过滤离群值。
   • 在名为 df_cleaned 的 BigQuery DataFrames 中显示结果。

7. 在使用 AI.FORECAST 预测值部分中，将鼠标悬停在 SQL 单元上，然后点击 play_circle 运行单元。

8. 查看结果。查询结果会显示在 DataFrame 中。

   

   此 SQL 单元会运行一个查询，该查询使用 AI.FORECAST 函数，根据您之前生成的 df_cleaned DataFrame 预测未来的日均 PM2.5。

9. 在使用 Python 直观呈现数据部分中，将鼠标悬停在代码单元上，然后点击 play_circle 运行单元。

10. 查看结果。结果会显示在图表中。

    

    Python 代码会执行以下操作：

    • 导入 datetime 模块。
    • 首先绘制历史数据并获取坐标轴。
    • 在同一坐标轴上绘制预测数据。
    • 绘制置信区间。

    此可视化图表类似于标准 Python 绘图，但 df_cleaned.plot 是 BigQuery DataFrames 命令。该命令仅检索呈现图表所需的数据（样本），而不是整个数据集。