使用筆記本庫建立及執行筆記本

筆記本庫

筆記本庫是探索及使用預先建構筆記本範本的中心。這些範本可讓您執行常見工作，例如資料準備、資料分析和圖表製作。此外，您也可以透過筆記本範本探索 BigQuery Studio 功能、管理工作流程，以及推廣最佳做法。

您可以使用筆記本庫範本，簡化從意圖到洞察的整個工作流程，涵蓋資料生命週期的各個階段，包括擷取、探索、進階分析和 BigQuery ML。

Notebook 庫提供各種技能等級的範本。範本庫包含 SQL、Python、Apache Spark 和 DataFrame 的基本範本。您也可以在 BigQuery 中探索生成式 AI 和多模態資料分析等主題。

如要進一步瞭解如何使用筆記本庫範本，請參閱「使用筆記本庫建立筆記本」。

使用筆記本庫範本建立筆記本

以下範例使用「BigQuery Studio 中的筆記本簡介」範本。本筆記本將示範如何執行下列工作：

• 查詢資料：使用 SQL 儲存格執行查詢。
• 以圖表呈現查詢結果：使用圖表儲存格，不必編寫程式碼即可建立圖表。
• 清理及轉換資料：使用 BigQuery DataFrames (pandas) API 排序、簡化及篩選資料。
• 執行 AI 預測：使用 BigQuery DataFrames 中的 (AI.FORECAST 函式) 生成預測。AI.FORECAST 函式會使用 TimesFM 基礎模型，直接從資料集生成預測，不需訓練模型。
• 繪製資料圖表：使用 Python 內建的視覺化程式庫繪製資料圖表。您可以使用 BigQuery DataFrames 視覺化程式庫 (由 Matplotlib 和 Pandas 提供技術支援) 繪製資料圖表。

如要使用筆記本，請開啟範本，將其轉換為可執行的筆記本，連線至筆記本的執行階段環境，然後執行筆記本。

開啟範本並轉換為可執行的筆記本

您必須先將範本轉換為可執行的筆記本，才能使用從筆記本庫範本建立的筆記本。

如要在筆記本庫中開啟「Introduction to notebooks in BigQuery Studio」(BigQuery Studio 筆記本簡介) 範本，並轉換為可執行的筆記本，請按照下列步驟操作：

1. 前往「Studio」(工作室) 頁面。

   前往 Studio

2. 按一下 arrow_drop_down 箭頭 下拉式選單，然後依序選擇 「Notebook」 >「All templates」。

3. 或者，您也可以在 BigQuery Studio 首頁，點選「View notebook gallery」(查看筆記本庫)。

   

4. 按一下「Introduction to notebooks in BigQuery Studio」(BigQuery Studio 中的筆記本簡介) 資訊卡，或在資源庫中搜尋。

5. 範本開啟後，按一下「Use this template」(使用這個範本)，將範本轉換為可執行的筆記本。

連線至預設執行階段

您必須先將筆記本連結至 Gemini Enterprise Agent Platform 執行階段，才能執行筆記本。執行階段是運算資源，用於執行筆記本中的程式碼。執行階段必須與筆記本位於相同區域。

如要進一步瞭解執行階段，請參閱「執行階段和執行階段範本」。如要進一步瞭解如何調整區域設定，請參閱「設定程式碼資產的預設區域」。

在本教學課程中，您會使用預設執行階段。預設執行階段是預設的執行階段，只需進行最基本的設定。如要連線至預設執行階段，請按照下列步驟操作：

1. 開啟筆記本，然後按一下「連結」。

   如果沒有啟用的執行階段，可能需要幾分鐘才能連線至預設執行階段。

2. 執行階段準備就緒後，您應該會看到勾號，以及 RAM 和磁碟圖表。將滑鼠游標懸停在圖表上，即可查看執行階段類型和設定。

   

執行筆記本

BigQuery Studio 中的筆記本簡介包含文字、SQL、視覺化和程式碼儲存格。除了文字儲存格以外，其他儲存格可以個別執行，也可以從第一個到最後一個依序執行所有儲存格。

在本教學課程中，您會個別執行筆記本中的儲存格，以便分階段查看結果。如要執行 Notebook，請按照下列步驟操作：

1. 在「Query your data using SQL cells」(使用 SQL 儲存格查詢資料) 區段中，將滑鼠游標懸停在 SQL 儲存格上，然後按一下「Run cell」(執行儲存格) 圖示 play_circle。

   

   這個 SQL 儲存格會查詢歷來空氣品質公開資料集中的 bigquery-public-data.epa_historical_air_quality.pm25_frm_daily_summary 資料表，並傳回舊金山過去幾年的每日平均 PM2.5 (常見的空氣品質指標)。

2. 查看結果。查詢結果會顯示在 DataFrame 中。

   

3. 在「Visualize data」(視覺化資料) 部分，將滑鼠游標懸停在視覺化儲存格上，然後按一下 play_circle「Run cell」(執行儲存格)。

4. 查看生成的圖表。

   

   結果會顯示時間序列圖表，繪製先前產生的 df DataFrame 中每日平均 PM2.5 值。這張圖表顯示 PM2.5 濃度隨時間變化的趨勢。

5. 在「Clean the data」(清理資料) 部分，將滑鼠游標懸停在程式碼儲存格上，然後按一下 play_circle「Run cell」(執行儲存格)。

6. 查看結果。結果會顯示在 DataFrame 中。

   

   該程式碼會執行以下作業：

   • 匯入 bigframes.pandas 程式庫。
   • 確認 date_local 欄位是時間戳記。
   • 依日期排序結果，這是預測的必要步驟。
   • 移除重複的資料列。
   • 捨棄 avg_pm25 為 null 的資料列。
   • 篩選離群值。
   • 在名為 df_cleaned 的 BigQuery DataFrame 中顯示結果。

7. 在「Predict values using AI.FORECAST」(使用 AI.FORECAST 預測值) 區段中，將滑鼠游標懸停在 SQL 儲存格上，然後按一下 play_circle「Run cell」(執行儲存格)。

8. 查看結果。查詢結果會顯示在 DataFrame 中。

   

   這個 SQL 儲存格會執行查詢，使用 AI.FORECAST 函式和先前產生的 df_cleaned DataFrame，預測未來的每日平均 PM2.5。

9. 在「Visualize data using Python」(使用 Python 視覺化呈現資料) 區段中，將滑鼠游標懸停在程式碼儲存格上，然後按一下 play_circle「Run cell」(執行儲存格)。

10. 查看結果。結果會以圖表呈現。

    

    Python 程式碼會執行下列作業：

    • 匯入 datetime 模組。
    • 先繪製歷來資料，並取得軸。
    • 在同一軸上繪製預測資料。
    • 繪製信賴區間。

    這個圖表與標準 Python 繪圖類似，但 df_cleaned.plot 是 BigQuery DataFrames 指令。這個指令只會擷取轉譯圖表所需的資料 (樣本)，而非整個資料集。