Leistung von BigQuery DataFrames optimieren | Google Cloud Documentation

Zum Hauptinhalt springen

Technologiebereiche

KI und ML
Anwendungsentwicklung
Anwendungshosting
Compute
Datenanalyse und Pipelines
Datenbanken
Verteilt, Hybrid und Multi-Cloud
Branchenlösungen
Migration
Netzwerk
Beobachtbarkeit und Monitoring
Sicherheit
Storage

Produktübergreifende Tools

Zugriffs- und Ressourcenverwaltung
Kosten- und Nutzungsmanagement
Infrastruktur als Code
SDK, Sprachen, Frameworks und Tools

/

Console

English
Deutsch
Español – América Latina
Français
Português – Brasil
中文 – 简体
日本語
한국어

Anmelden

BigQuery

Jetzt kostenlos testen

Übersicht Leitfäden Referenzen Beispiele Ressourcen

Technologiebereiche
- Mehr
Produktübergreifende Tools
- Mehr
Console

Erste Schritte
Produktübersicht
BigQuery mit der Sandbox ausprobieren
Los gehts
Schritt-für-Schritt-Anleitungen und Videos für die Console
Console verwenden
Agenten verwenden
- Daten mit dem Colab Data Science Agent analysieren
bq-Befehlszeilentool verwenden
Verwenden Sie die Client-Bibliotheken!
Plan
Einführung in die Ressourcenhierarchie
API-Abhängigkeiten
Datasets
Tabellen
- BigQuery-Tabellen
  - Einführung
  - Tabellen erstellen und verwenden
  - Tabellenschemas angeben
    Schema angeben
    Verschachtelte und wiederkehrende Spalten angeben
    Standardspaltenwerte angeben
    ObjectRef-Werte angeben
  - Mit partitionierten Tabellen segmentieren
    Einführung
    Partitionierte Tabellen erstellen
    Partitionierte Tabellen verwalten
    Partitionierte Tabellen abfragen
  - Mit geclusterten Tabellen optimieren
    Einführung
    Geclusterte Tabellen erstellen
    Geclusterte Tabellen verwalten
    Geclusterte Tabellen abfragen
  - Metadatenindexierung verwenden
- Externe Datenquellen
- Verwaltete Apache Iceberg-Tabellen
- Mit Lakehouse-Daten interagieren
Aufrufe
- Übersicht
- Logische Ansichten
  - Einführung
  - Logische Ansichten erstellen
- Materialisierte Ansichten
  - Einführung
  - Materialisierte Ansichten erstellen
Laden, transformieren und exportieren
Einführung
Datenpipeline mit Data Engineering Agent erstellen
Daten migrieren
Daten laden
- Einführung
- Datenintegrationsworkflows mit der BigQuery-Web-UI erstellen
- Speicheroptionen
- BigQuery Data Transfer Service
- Daten im Batch laden
- Daten mit der Storage API schreiben und lesen
  - Daten mit der Storage Read API lesen
  - Daten mit der Storage Write API schreiben
    Einführung
    
    Storage Write API (gRPC) verwenden
    Übersicht
    Daten streamen
    Daten im Batch laden
    Updates mit Change Data Capture-Aufnahme streamen
    Best Practices
    Unterstützte Protokollzwischenspeicher- und Arrow-Datentypen
    Storage Write API (REST) verwenden
- Daten aus anderen Google-Diensten laden
- Cloud Storage-Daten ermitteln und katalogisieren
- Daten mit Drittanbieteranwendungen laden
- Daten mit BigQuery Omni-Vorgängen laden
- Ladejobs optimieren
Daten transformieren
- Einführung
- Daten vorbereiten
  - Einführung
  - Daten mit Gemini vorbereiten
- Mit DML transformieren
- Daten in partitionierten Tabellen transformieren
- Änderungsverlauf verwenden
- Daten mit Pipelines transformieren
  - Einführung
  - Pipelines erstellen
Daten exportieren
ELT-Anleitungen
- ELT für Marketinganalysedaten erstellen
Analysieren
Einführung
Meine Daten erkunden
Daten analysieren
- Abfrage ausführen
- Abfragen mit Gemini schreiben
- Abfrageergebnisse schreiben
- Daten mit SQL abfragen
- Notebooks verwenden
  - Einführung
  - Colab-Notebooks verwenden
    Einführung
    Notebooks erstellen
    Abfrageergebnisse ansehen
    Abfrageergebnisse visualisieren
    Data Apps erstellen und freigeben
    Spark verwenden
    Data Science Agent in Colab verwenden
- DataFrames verwenden
- Raumbezogene Analysen verwenden
- Routinen