BigQuery DataFrames पैकेज का इस्तेमाल करके, आयोवा में शराब की बिक्री के बारे में एक्सप्लोरेटरी डेटा का विश्लेषण

1. खास जानकारी

इस लैब में, BigQuery Studio में मौजूद Python नोटबुक से BigQuery DataFrames का इस्तेमाल किया जाएगा. इससे, आयोवा में शराब की बिक्री से जुड़े सार्वजनिक डेटासेट को साफ़ किया जा सकेगा और उसका विश्लेषण किया जा सकेगा. अहम जानकारी पाने के लिए, BigQuery ML और रिमोट फ़ंक्शन की सुविधाओं का इस्तेमाल करें.

आपको अलग-अलग भौगोलिक क्षेत्रों में हुई बिक्री की तुलना करने के लिए, एक Python नोटबुक बनानी होगी. इसे किसी भी स्ट्रक्चर्ड डेटा के साथ काम करने के लिए अडैप्ट किया जा सकता है.

मकसद

इस लैब में, आपको ये टास्क करने का तरीका बताया जाएगा:

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 किए जा सकते हैं

2. ज़रूरी शर्तें

कोई ब्राउज़र, जैसे कि Chrome या Firefox
बिलिंग की सुविधा वाला Google Cloud प्रोजेक्ट

शुरू करने से पहले

इस कोडलैब में दिए गए निर्देशों का पालन करने के लिए, आपके पास BigQuery Studio की सुविधा चालू किया गया Google Cloud प्रोजेक्ट और उससे जुड़ा बिलिंग खाता होना चाहिए.

Google Cloud Console में, प्रोजेक्ट चुनने वाले पेज पर जाकर, Google Cloud प्रोजेक्ट चुनें या बनाएं
पक्का करें कि आपके Google Cloud प्रोजेक्ट के लिए बिलिंग चालू हो. किसी प्रोजेक्ट के लिए बिलिंग चालू है या नहीं, यह देखने का तरीका जानें
ऐसेट मैनेजमेंट के लिए BigQuery Studio चालू करने से जुड़े निर्देशों का पालन करें.

BigQuery Studio को तैयार करना

एक खाली नोटबुक बनाएं और उसे रनटाइम से कनेक्ट करें.

Google Cloud Console में BigQuery Studio पर जाएं.
+ बटन के बगल में मौजूद ▼ पर क्लिक करें.
Python नोटबुक चुनें.
टेंप्लेट चुनने वाला टूल बंद करें.
नई कोड सेल बनाने के लिए, + कोड को चुनें.
कोड सेल से, BigQuery DataFrames पैकेज का नया वर्शन इंस्टॉल करें.यह कमांड टाइप करें.
```
%pip install --upgrade bigframes --quiet
```
कोड सेल को चलाने के लिए, सेल चलाएं बटन पर क्लिक करें या Shift + Enter दबाएं.

3. किसी सार्वजनिक डेटासेट को पढ़ना

नई कोड सेल में यह कोड चलाकर, BigQuery DataFrames पैकेज 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 "पार्शियल ऑर्डरिंग मोड" का इस्तेमाल करते हैं. इससे pandas जैसे फ़िल्टरिंग टूल के साथ इस्तेमाल करने पर, क्वेरी ज़्यादा असरदार तरीके से काम करती हैं. पांडा की कुछ ऐसी सुविधाएं काम नहीं कर सकती हैं जिनके लिए, क्रम या इंडेक्स का सही होना ज़रूरी 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, BigQuery पर उपलब्ध है. इसे Google Cloud के सार्वजनिक डेटासेट प्रोग्राम के ज़रिए उपलब्ध कराया गया है. इस डेटासेट में, 1 जनवरी, 2012 से लेकर अब तक, आयोवा राज्य में खुदरा दुकानदारों की ओर से शराब की गई हर थोक खरीदारी की जानकारी शामिल है. यह खरीदारी, लोगों को शराब बेचने के लिए की गई थी. डेटा को आयोवा डिपार्टमेंट ऑफ़ कॉमर्स के अल्कोहलिक बेवरेजेस डिविज़न ने इकट्ठा किया है.

आयोवा में शराब की खुदरा बिक्री का विश्लेषण करने के लिए, BigQuery में bigquery-public-data.iowa_liquor_sales.sales को क्वेरी करें. क्वेरी स्ट्रिंग या टेबल आईडी से DataFrame बनाने के लिए, bigframes.pandas.read_gbq() तरीके का इस्तेमाल करें.

"df" नाम का DataFrame बनाने के लिए, नई कोड सेल में यह कोड चलाएं:

df = bpd.read_gbq_table("bigquery-public-data.iowa_liquor_sales.sales")

किसी DataFrame के बारे में बुनियादी जानकारी पाना

डेटा का 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. अगर आपको डेटा का सैंपल देखना है, तो आम तौर पर peek(), head() से कम असरदार होता है.

pandas की तरह ही, DataFrame.dtypes प्रॉपर्टी का इस्तेमाल करके, सभी उपलब्ध कॉलम और उनके डेटा टाइप देखें. 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() तरीके से, DataFrame से कुछ बुनियादी आंकड़ों के बारे में क्वेरी की जाती है. इन खास जानकारी वाले 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 के डेटासेट में, भौगोलिक जानकारी के बारे में ज़्यादा जानकारी मिलती है. इसमें यह भी शामिल है कि खुदरा दुकानें कहां मौजूद हैं. इस डेटा का इस्तेमाल करके, अलग-अलग भौगोलिक क्षेत्रों में ट्रेंड और अंतर की पहचान करें.

हर पिन कोड के हिसाब से बिक्री को विज़ुअलाइज़ करना

इसमें विज़ुअलाइज़ेशन के कई तरीके पहले से मौजूद होते हैं. जैसे, DataFrame.plot.hist(). इस तरीके का इस्तेमाल करके, पिन कोड के हिसाब से शराब की बिक्री की तुलना करें.

volume_by_zip = df.groupby("zip_code").agg({"volume_sold_liters": "sum"})
volume_by_zip.plot.hist(bins=20)

अनुमानित आउटपुट:

वॉल्यूम का हिस्टोग्राम

बार चार्ट का इस्तेमाल करके देखें कि किन ज़िप कोड 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:

सबसे ज़्यादा बिक्री वाले पिन कोड में शराब की मात्रा दिखाने वाला बार चार्ट

डेटा को साफ़ करना

कुछ पिन कोड के आखिर में .0 होता है. ऐसा हो सकता है कि डेटा कलेक्शन के दौरान, पिन कोड गलती से फ़्लोटिंग पॉइंट वैल्यू में बदल गए हों. पिन कोड को ठीक करने के लिए, रेगुलर एक्सप्रेशन का इस्तेमाल करें और विश्लेषण को दोहराएं.

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:

सबसे ज़्यादा बिक्री वाले पिन कोड में शराब की मात्रा दिखाने वाला बार चार्ट

5. बिक्री में सहसंबंधों का पता लगाना

कुछ पिन कोड में, अन्य पिन कोड की तुलना में ज़्यादा बिक्री क्यों होती है? एक अनुमान यह है कि ऐसा जनसंख्या के अंतर की वजह से होता है. ज़्यादा आबादी वाले पिन कोड में शराब की बिक्री ज़्यादा होने की संभावना होती है.

जनसंख्या और शराब की बिक्री की मात्रा के बीच सहसंबंध का हिसाब लगाकर, इस हाइपोथेसिस की जांच करें.

अन्य डेटासेट के साथ जोड़ना

इसे जनसंख्या के डेटासेट के साथ जोड़ें. जैसे, अमेरिकी जनगणना ब्यूरो का अमेरिकन कम्यूनिटी सर्वे पिन कोड टैबुलेशन एरिया सर्वे.

census_acs = bpd.read_gbq_table("bigquery-public-data.census_bureau_acs.zcta_2020_5yr")

अमेरिकन कम्यूनिटी सर्वे, राज्यों की पहचान GEOID के हिसाब से करता है. पिन कोड टैबुलेशन एरिया के मामले में, GEOID, पिन कोड के बराबर होता है.

volume_by_pop = volume_by_zip.join(
    census_acs.set_index("geo_id")
)

बेची गई शराब की मात्रा की तुलना, पिन कोड के हिसाब से जनसंख्या 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:

जनसंख्या और बेची गई शराब की मात्रा के हिसाब से, पिन कोड के हिसाब से सारणीबद्ध किए गए क्षेत्रों का स्कैटर प्लॉट

सहसंबंधों की गणना करना

रुझान लगभग लीनियर दिखता है. इस पर लीनियर रिग्रेशन मॉडल लागू करें, ताकि यह पता चल सके कि जनसंख्या से शराब की बिक्री का कितना सटीक अनुमान 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 का इस्तेमाल करके, यह देखें कि जूते कितने फ़िट हैं.

model.score(feature_columns, label_columns).to_pandas()

आउटपुट का उदाहरण:

	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

जनसंख्या की वैल्यू की रेंज पर predict फ़ंक्शन को कॉल करके, सबसे सही लाइन बनाएं.

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:

बेस्ट फ़िट लाइन वाला स्कैटर प्लॉट

विषम विचरण की समस्या को हल करना

पिछले चार्ट में मौजूद डेटा, हेट्रोस्केडैस्टिक दिखता है. पूरी संख्या के हिसाब से, सबसे सही फ़िट लाइन के आस-पास का अंतर बढ़ता है.

ऐसा हो सकता है कि हर व्यक्ति के हिसाब से, अल्कोहल की खरीदारी की मात्रा में कोई खास बदलाव न हुआ 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:

प्रति व्यक्ति लीटर के हिसाब से स्कैटर प्लॉट

दो अलग-अलग तरीकों से, खरीदे गए ऐल्कॉहल की औसत मात्रा का हिसाब लगाएं:

आयोवा में, हर व्यक्ति ने औसतन कितने रुपये की शराब खरीदी?
हर व्यक्ति ने सभी ज़िप कोड में औसतन कितने रुपये की 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 है कि यह (1) के बराबर हो, क्योंकि अलग-अलग पिन कोड में रहने वाले 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 दिए गए उदाहरण की तरह ही, 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:

प्रति व्यक्ति लीटर के हिसाब से स्कैटर प्लॉट

अब भी कुछ पिन कोड ऐसे हैं जो काफ़ी बड़े आउटलायर हैं. खास तौर पर, कम आबादी वाले इलाकों में. इसकी वजह का पता लगाने के लिए, आपको कुछ काम करना होगा. उदाहरण के लिए, ऐसा हो सकता है कि कुछ पिन कोड में जनसंख्या कम हो, लेकिन 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 ज़िप कोड की जनसंख्या के आधार पर गणना करने से, इन आउटलायर को भी शामिल किया जा सकता है.

6. बेची गई शराब के टाइप की तुलना करना

भौगोलिक डेटा के अलावा, आयोवा में शराब की खुदरा बिक्री के डेटाबेस में बेचे गए आइटम के बारे में भी पूरी जानकारी होती है. इनका विश्लेषण करके, हम अलग-अलग इलाकों में लोगों की पसंद के बारे में जान सकते हैं.

श्रेणियों के बारे में और जानें

डेटाबेस में आइटम को कैटगरी के हिसाब से रखा जाता 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)

बेची गई शराब की मुख्य कैटगरी का बार चार्ट

ARRAY डेटा टाइप का इस्तेमाल करना

व्हिस्की, रम, वोडका वगैरह की कई कैटगरी होती हैं. मुझे इन सभी को एक साथ ग्रुप करना है.

सबसे पहले, Series.str.split() तरीके का इस्तेमाल करके, कैटगरी के नामों को अलग-अलग शब्दों में बांटें. explode() तरीके का इस्तेमाल करके, इस 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)

कैटगरी के हिसाब से शब्दों की संख्या

category_parts.nunique()

अनुमानित आउटपुट: 113

ऊपर दिए गए चार्ट में, VODKA और VODKAS का डेटा अब भी अलग-अलग है. कैटेगरी को छोटे सेट में छोटा करने के लिए, ज़्यादा ग्रुपिंग की ज़रूरत होती है.

7. BigQuery DataFrames के साथ NLTK का इस्तेमाल करना

सिर्फ़ 100 कैटगरी होने पर, कुछ अनुमानित नियम लिखे जा सकते हैं. इसके अलावा, कैटगरी से लेकर शराब के ज़्यादा टाइप तक की मैपिंग को मैन्युअल तरीके से भी बनाया जा सकता है. इसके अलावा, Gemini जैसे लार्ज लैंग्वेज मॉडल का इस्तेमाल करके भी इस तरह की मैपिंग बनाई जा सकती है. Gemini के साथ BigQuery DataFrames का इस्तेमाल करने के लिए, BigQuery DataFrames का इस्तेमाल करके, बिना किसी स्ट्रक्चर वाले डेटा से अहम जानकारी पाना कोडलैब आज़माएं.

इसके बजाय, इस डेटा को प्रोसेस करने के लिए, नैचुरल लैंग्वेज प्रोसेसिंग के ज़्यादा पारंपरिक पैकेज, NLTK का इस्तेमाल करें. "स्टेमर" नाम की टेक्नोलॉजी, बहुवचन और एकवचन संज्ञाओं को एक ही वैल्यू में मर्ज कर सकती है. उदाहरण के लिए.

शब्दों को उनके मूल रूप में बदलने 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__

शब्दों को स्टैंडर्ड बनाने का एक तरीका, ताकि शब्द को "स्टेम" किया जा सके. इससे सभी प्रत्यय हट जाते हैं. जैसे, बहुवचन के लिए आखिर में "s" जोड़ा जाता है.

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)

कुछ शब्दों के लिए इसे आज़माएं.

stem("WHISKEY")

अनुमानित आउटपुट: whiskey

stem("WHISKIES")

अनुमानित आउटपुट: whiski

माफ़ करें, इससे व्हिस्की को व्हिस्की के तौर पर मैप नहीं किया गया. स्टेमर्स, अनियमित बहुवचन के साथ ठीक से काम नहीं करते. लेमैटाइज़र का इस्तेमाल करके देखें. यह मूल शब्द की पहचान करने के लिए, ज़्यादा बेहतर तकनीकों का इस्तेमाल करता है. इसे "लेमा" कहा जाता 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())

कुछ शब्दों के लिए इसे आज़माएं.

lemmatize("WHISKIES")

अनुमानित आउटपुट: whisky

lemmatize("WHISKY")

अनुमानित आउटपुट: whisky

lemmatize("WHISKEY")

अनुमानित आउटपुट: whiskey

माफ़ करें, यह लेमेटाइज़र "whiskey" को "whiskies" के लेमा के तौर पर मैप नहीं करता है. यह शब्द, आयोवा में खुदरा शराब की बिक्री के डेटाबेस के लिए खास तौर पर अहम है. इसलिए, इसे 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)

कुछ शब्दों के लिए इसे आज़माएं.

lemmatize("WHISKIES")

अनुमानित आउटपुट: whiskey

lemmatize("WHISKEY")

अनुमानित आउटपुट: whiskey

बधाई हो! यह लेमेटाइज़र, कैटगरी को कम करने के लिए अच्छी तरह से काम करना चाहिए. BigQuery के साथ इसका इस्तेमाल करने के लिए, आपको इसे क्लाउड पर डिप्लॉय करना होगा.

फ़ंक्शन डिप्लॉय करने के लिए अपना प्रोजेक्ट सेट अप करना

इसे क्लाउड पर डिप्लॉय करने से पहले, आपको एक बार सेट अप करना होगा, ताकि BigQuery इस फ़ंक्शन को ऐक्सेस कर सके.

एक नई कोड सेल बनाएं और your-project-id की जगह, इस ट्यूटोरियल के लिए इस्तेमाल किया जा रहा Google Cloud प्रोजेक्ट आईडी डालें.

project_id = "your-project-id"

बिना किसी अनुमति के एक 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, एक 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)

इसे डिप्लॉय करने में करीब दो मिनट लगेंगे.

रिमोट फ़ंक्शन का इस्तेमाल करना

डप्लॉयमेंट पूरा होने के बाद, इस फ़ंक्शन को टेस्ट किया जा सकता 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. काउंटी के हिसाब से शराब पीने के डेटा की तुलना करना

lemmatize फ़ंक्शन उपलब्ध होने के बाद, इसका इस्तेमाल करके कैटगरी मर्ज करें.

कैटगरी के बारे में सबसे अच्छी जानकारी देने वाला शब्द ढूंढना

सबसे पहले, डेटाबेस में मौजूद 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 एक डेटाफ़्रेम बनाएं. इसमें कुछ फ़िलर शब्द शामिल न करें. जैसे, विराम चिह्न और "आइटम".

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 बनाने के बाद लेमटाइज़ेशन करने से, Cloud फ़ंक्शन पर लोड कम हो जाता है. डेटाबेस में मौजूद लाखों पंक्तियों में से हर एक पर लेमैटाइज़ फ़ंक्शन लागू किया जा सकता है. हालांकि, ग्रुप करने के बाद इसे लागू करने पर कम खर्च आएगा. साथ ही, इसके लिए कोटे में बढ़ोतरी 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

शब्दों को लेमैटाइज़ करने के बाद, आपको वह लेमा चुनना होगा जो कैटगरी के बारे में सबसे अच्छी जानकारी देता हो. इन कैटगरी में फ़ंक्शन वर्ड ज़्यादा नहीं हैं.इसलिए, इस अनुमान का इस्तेमाल करें कि अगर कोई शब्द कई अन्य कैटगरी में दिखता है, तो वह जवाब में शामिल करने के लिए बेहतर शब्द हो सकता है. 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 के लिए एक लेमा मौजूद 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 काउंटी में हुई 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 काउंटी 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

ये 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, व्हिस्की सबसे ज़्यादा बिकने वाला प्रॉडक्ट है. वहीं, वोडका 15 देशों में सबसे ज़्यादा बिकने वाला प्रॉडक्ट है. इसकी तुलना, राज्य में सबसे ज़्यादा लोकप्रिय शराब की किस्मों 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 बिक्री लगभग बराबर है. हालांकि, पूरे राज्य में वोडका की बिक्री, विस्की की बिक्री से थोड़ी ज़्यादा है.

अनुपातों की तुलना करना

हर काउंटी में बिक्री की क्या खास बात है? यह काउंटी, राज्य के बाकी हिस्सों से कैसे अलग है?

कोहेन के एच मेज़र का इस्तेमाल करके पता लगाएं कि शराब की बिक्री की मात्रा, राज्य भर में हुई बिक्री की मात्रा के अनुपात के हिसाब से सबसे ज़्यादा किस इलाके में अलग है.

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 जब हर लेम्मा के लिए कोहेन का एच मेज़र कर लिया गया है, तो हर काउंटी में राज्यव्यापी 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 का h वैल्यू जितनी ज़्यादा होगी, इस बात की संभावना उतनी ही ज़्यादा होगी कि राज्य के औसत की तुलना में, उस तरह की शराब की खपत में आंकड़ों के हिसाब से अहम अंतर है. पॉज़िटिव वैल्यू कम होने पर, खपत में राज्य के औसत से अलग अंतर होता है. हालांकि, यह अंतर अनियमितता की वजह से हो सकता है.

एक और बात: ऐसा लगता है कि एल पासो काउंटी, आयोवा की काउंटी नहीं है. इससे पता चलता है कि इन नतीजों पर पूरी तरह से भरोसा करने से पहले, डेटा को साफ़ करने की ज़रूरत है.

काउंटी को विज़ुअलाइज़ करना

हर काउंटी के लिए भौगोलिक क्षेत्र की जानकारी पाने के लिए, bigquery-public-data.geo_us_boundaries.counties टेबल के साथ जुड़ें. अमेरिका के सभी राज्यों में काउंटी के नाम अलग-अलग नहीं होते. इसलिए, सिर्फ़ आयोवा की काउंटी को शामिल करने के लिए फ़िल्टर करें. आयोवा का FIPS 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,
)

शराब की बिक्री के वॉल्यूम के अनुपात के हिसाब से, हर काउंटी में सबसे अलग शराब का मैप

9. व्यवस्थित करें

अगर आपने इस ट्यूटोरियल के लिए नया Google Cloud प्रोजेक्ट बनाया है, तो बनाए गए टेबल या अन्य संसाधनों के लिए अतिरिक्त शुल्क से बचने के लिए, उसे मिटाएं.

इसके अलावा, इस ट्यूटोरियल के लिए बनाए गए Cloud Functions, सेवा खातों, और डेटासेट को मिटाएं.

10. बधाई हो!

आपने BigQuery DataFrames का इस्तेमाल करके, स्ट्रक्चर्ड डेटा को साफ़ किया है और उसका विश्लेषण किया है. इस दौरान, आपने Google Cloud के सार्वजनिक डेटासेट, BigQuery Studio में Python नोटबुक, BigQuery ML, BigQuery रिमोट फ़ंक्शन, और BigQuery DataFrames की सुविधाओं के बारे में जाना. बहुत बढ़िया!

अगले चरण

अमेरिका के नामों के डेटाबेस जैसे अन्य डेटा पर भी यह तरीका लागू करें.
अपनी नोटबुक में Python कोड जनरेट करने की कोशिश करें. BigQuery Studio में Python notebook, Colab Enterprise की मदद से काम करते हैं. अहम जानकारी: मुझे टेस्ट डेटा जनरेट करने के लिए मदद मांगने की सुविधा काफ़ी मददगार लगी.
GitHub पर, BigQuery DataFrames के लिए सैंपल नोटबुक देखें.
BigQuery Studio में नोटबुक चलाने के लिए शेड्यूल बनाएं.
BigQuery के साथ तीसरे पक्ष के Python पैकेज इंटिग्रेट करने के लिए, BigQuery DataFrames के साथ रिमोट फ़ंक्शन डिप्लॉय करें.