Visualiza gráficos con BigQuery DataFrames

En este documento, se muestra cómo trazar varios tipos de gráficos con la biblioteca de visualización de BigQuery DataFrames.

La bigframes.pandas API proporciona un ecosistema completo de herramientas para Python. La API es compatible con operaciones estadísticas avanzadas, y puedes visualizar las agregaciones generadas a partir de BigQuery DataFrames. También puedes cambiar de BigQuery DataFrames a un DataFrame de pandas con operaciones de muestreo integradas.

Histograma

En el siguiente ejemplo, se leen datos de la tabla bigquery-public-data.ml_datasets.penguins para trazar un histograma sobre la distribución de las profundidades del pico de los pingüinos:

import bigframes.pandas as bpd

penguins = bpd.read_gbq("bigquery-public-data.ml_datasets.penguins")
penguins["culmen_depth_mm"].plot.hist(bins=40)

Gráfico de líneas

En el siguiente ejemplo, se usan datos de la tabla bigquery-public-data.noaa_gsod.gsod2021 para trazar un gráfico de líneas de los cambios de temperatura media durante todo el año:

import bigframes.pandas as bpd

noaa_surface = bpd.read_gbq("bigquery-public-data.noaa_gsod.gsod2021")

# Calculate median temperature for each day
noaa_surface_median_temps = noaa_surface[["date", "temp"]].groupby("date").median()

noaa_surface_median_temps.plot.line()

Gráfico de áreas

En el siguiente ejemplo, se usa la tabla bigquery-public-data.usa_names.usa_1910_2013 para hacer un seguimiento de la popularidad de los nombres en la historia de EE.UU. y se enfoca en los nombres Mary, Emily y Lisa:

import bigframes.pandas as bpd

usa_names = bpd.read_gbq("bigquery-public-data.usa_names.usa_1910_2013")

# Count the occurences of the target names each year. The result is a dataframe with a multi-index.
name_counts = (
    usa_names[usa_names["name"].isin(("Mary", "Emily", "Lisa"))]
    .groupby(("year", "name"))["number"]
    .sum()
)

# Flatten the index of the dataframe so that the counts for each name has their own columns.
name_counts = name_counts.unstack(level=1).fillna(0)

name_counts.plot.area(stacked=False, alpha=0.5)

Gráfico de barras

En el siguiente ejemplo, se usa la tabla bigquery-public-data.ml_datasets.penguins para visualizar la distribución de los sexos de los pingüinos:

import bigframes.pandas as bpd

penguins = bpd.read_gbq("bigquery-public-data.ml_datasets.penguins")

penguin_count_by_sex = (
    penguins[penguins["sex"].isin(("MALE", "FEMALE"))]
    .groupby("sex")["species"]
    .count()
)
penguin_count_by_sex.plot.bar()

Diagrama de dispersión

En el siguiente ejemplo, se usa la tabla bigquery-public-data.new_york_taxi_trips.tlc_yellow_trips_2021 para explorar la relación entre los importes de las tarifas de taxi y las distancias de los viajes:

import bigframes.pandas as bpd

taxi_trips = bpd.read_gbq(
    "bigquery-public-data.new_york_taxi_trips.tlc_yellow_trips_2021"
).dropna()

# Data Cleaning
taxi_trips = taxi_trips[
    taxi_trips["trip_distance"].between(0, 10, inclusive="right")
]
taxi_trips = taxi_trips[taxi_trips["fare_amount"].between(0, 50, inclusive="right")]

# If you are using partial ordering mode, you will also need to assign an order to your dataset.
# Otherwise, the next line can be skipped.
taxi_trips = taxi_trips.sort_values("pickup_datetime")

taxi_trips.plot.scatter(x="trip_distance", y="fare_amount", alpha=0.5)

Visualiza un conjunto de datos grande

BigQuery DataFrames descarga datos a tu máquina local para la visualización. La cantidad de datos que se descargarán está limitada a 1,000 de forma predeterminada. Si la cantidad de datos supera el límite, BigQuery DataFrames muestrea de forma aleatoria la cantidad de datos igual al límite.

Puedes anular este límite si configuras el parámetro sampling_n cuando trazas un gráfico, como se muestra en el siguiente ejemplo:

import bigframes.pandas as bpd

noaa_surface = bpd.read_gbq("bigquery-public-data.noaa_gsod.gsod2021")

# Calculate median temperature for each day
noaa_surface_median_temps = noaa_surface[["date", "temp"]].groupby("date").median()

noaa_surface_median_temps.plot.line(sampling_n=40)

Nota: El parámetro sampling_n no tiene ningún efecto en los histogramas porque BigQuery DataFrames agrupa los datos en el servidor para los histogramas.

Trazado avanzado con parámetros de pandas y Matplotlib

Puedes pasar más parámetros para ajustar tu gráfico como lo harías con pandas, ya que la biblioteca de trazado de BigQuery DataFrames funciona con pandas y Matplotlib. En las siguientes secciones, se describen ejemplos.

Tendencia de popularidad de nombres con subtrazados

Con los datos del historial de nombres del ejemplo del gráfico de áreas, en el siguiente ejemplo, se crean gráficos individuales para cada nombre mediante la configuración de subplots=True en la llamada a la función plot.area():

import bigframes.pandas as bpd

usa_names = bpd.read_gbq("bigquery-public-data.usa_names.usa_1910_2013")

# Count the occurences of the target names each year. The result is a dataframe with a multi-index.
name_counts = (
    usa_names[usa_names["name"].isin(("Mary", "Emily", "Lisa"))]
    .groupby(("year", "name"))["number"]
    .sum()
)

# Flatten the index of the dataframe so that the counts for each name has their own columns.
name_counts = name_counts.unstack(level=1).fillna(0)

name_counts.plot.area(subplots=True, alpha=0.5)

Diagrama de dispersión de viajes en taxi con varias dimensiones

Con los datos del ejemplo del diagrama de dispersión, en el siguiente ejemplo, se cambian los nombres de las etiquetas de los ejes x y y, se usa el passenger_count parámetro para los tamaños de los puntos, se usan puntos de color con el tip_amount parámetro, y se cambia el tamaño de la figura:

import bigframes.pandas as bpd

taxi_trips = bpd.read_gbq(
    "bigquery-public-data.new_york_taxi_trips.tlc_yellow_trips_2021"
).dropna()

# Data Cleaning
taxi_trips = taxi_trips[
    taxi_trips["trip_distance"].between(0, 10, inclusive="right")
]
taxi_trips = taxi_trips[taxi_trips["fare_amount"].between(0, 50, inclusive="right")]

# If you are using partial ordering mode, you also need to assign an order to your dataset.
# Otherwise, the next line can be skipped.
taxi_trips = taxi_trips.sort_values("pickup_datetime")

taxi_trips["passenger_count_scaled"] = taxi_trips["passenger_count"] * 30

taxi_trips.plot.scatter(
    x="trip_distance",
    xlabel="trip distance (miles)",
    y="fare_amount",
    ylabel="fare amount (usd)",
    alpha=0.5,
    s="passenger_count_scaled",
    label="passenger_count",
    c="tip_amount",
    cmap="jet",
    colorbar=True,
    legend=True,
    figsize=(15, 7),
    sampling_n=1000,
)

¿Qué sigue?

• Obtén información sobre BigQuery DataFrames.
• Aprende a usar BigQuery DataFrames en dbt.
• Explora la referencia de la API de BigQuery DataFrames.