Passer au contenu principal
Domaines technologiques
close
IA et ML
Développement d'applications
Hébergement d'applications
Calcul
Analyses de données et pipelines
Bases de données
Solutions distribuées, hybrides et multicloud
Solutions par secteur d'activité
Migration
Mise en réseau
Observabilité et surveillance
Sécurité
Storage
Outils de produits croisés
close
Gestion des accès et des ressources
Gestion des coûts et de l'utilisation
Infrastructure as Code
SDK, langages, frameworks et outils
/
Console
English
Deutsch
Español
Español – América Latina
Français
Indonesia
Italiano
Português
Português – Brasil
עברית
中文 – 简体
中文 – 繁體
日本語
한국어
Connexion
BigQuery
Commencer l'essai gratuit
Aperçu
Guides
Référence
Exemples
Ressources
Domaines technologiques
Plus
Aperçu
Guides
Référence
Exemples
Ressources
Outils de produits croisés
Plus
Console
Découvrir
Vue d'ensemble du produit
Essayer BigQuery avec le bac à sable
Premiers pas
Tutoriels et vidéos sur la console
Utiliser la console
Découvrir la console
Charger et interroger des données
Utiliser la galerie de notebooks
Créer des réservations
Essayer les DataFrames
Utilisez des agents
Analyser des données avec l'agent Data Science de Colab
Utiliser l'outil CLI bq
Utiliser les bibliothèques clientes
Planifier
Présentation de la hiérarchie des ressources
Dépendances des API
Ensembles de données
Présentation
Créer des ensembles de données
Répertorier des ensembles de données
Réplication interrégionale
Reprise après sinistre gérée
Migrer vers la reprise après sinistre gérée
Conservation des données des ensembles de données
Tables
les tables BigQuery
Présentation
Créer et utiliser des tables
Spécifier des schémas de table
Spécifier un schéma
Spécifier des colonnes imbriquées et répétées
Spécifier les valeurs de colonne par défaut
Spécifier les valeurs ObjectRef
Segmenter avec des tables partitionnées
Présentation
Créer des tables partitionnées
Gérer des tables partitionnées
Interroger des tables partitionnées
Optimiser les tables en cluster
Présentation
Créer des tables en cluster
Gérer les tables en cluster
Interroger des tables en cluster
Utiliser l'indexation des métadonnées
Sources de données externes
Présentation
Tables BigLake
Présentation
Créer des tables BigLake Amazon S3
Créer des tables BigLake Azure Blob Storage
Créer des tables BigLake Cloud Storage
Tables d'objets
Présentation
Créer des tables d'objets Cloud Storage
Tables externes
Présentation
Créer des tables externes Apache Iceberg
Créer des tables externes Bigtable
Créer des tables externes Cloud Storage
Créer des tables externes Google Drive
Utiliser la mise en cache des métadonnées
Gérer les données partitionnées Hive
Créer un fichier de définition de table pour des données externes
Ensembles de données fédérés
Créer et gérer des ensembles de données fédérés AWS Glue
Créer des ensembles de données externes Spanner
Tables gérées Apache Iceberg
Interagir avec les données Lakehouse
Vues
Aperçu
Vues logiques
Présentation
Créer des vues logiques
Vues matérialisées
Présentation
Créer des vues matérialisées
Charger, transformer et exporter
Présentation
Créer un pipeline de données avec l'agent d'ingénierie des données
Migrer les données
Présentation
Évaluation de la migration
Migrer le schéma et les données
Migrer les pipelines de données
Utiliser des règles d'administration personnalisées
Migrer SQL
Traduire des requêtes SQL de manière interactive
Traduire des requêtes SQL à l'aide de l'API
Traduire des requêtes SQL par lot
Générer des métadonnées pour la traduction et l'évaluation
Transformer des traductions SQL avec YAML
Mapper les noms d'objet SQL pour la traduction par lot
Charger les données
Présentation
Créer des workflows d'intégration de données à l'aide de l'UI Web BigQuery
Présentation du stockage
Service de transfert de données BigQuery
Présentation
Sources de données prises en charge
Emplacement des données et transferts
Autoriser les transferts
Activer les transferts
Configurer les connexions réseau
Accès aux instances Cloud SQL
AWS VPN et rattachement de réseau
VPN Azure et rattachement réseau
Gérer les transferts
Notifications d'exécution de transfert
Résoudre les problèmes liés aux configurations de transfert
Utiliser des comptes de service
Utiliser les transferts tiers
Utiliser des règles d'administration personnalisées
Journal des modifications apportées aux sources de données
Transferts basés sur des événements
Transférer des données dans des tables Iceberg gérées
Charger des données par lot
Présentation
Détecter automatiquement des schémas
Charger des données Avro
Charger des données Parquet
Charger des données ORC
Charger des données CSV
Charger des données JSON
Charger des données partitionnées externes
Charger des données à partir d'une exportation Datastore
Charger des données à partir d'une exportation Firestore
Charger des données à l'aide de l'API Storage Write
Charger des données dans des tables partitionnées
Écrire et lire des données avec l'API Storage
Lire des données avec l'API Storage Read
Écrire des données en streaming avec l'API Storage Write
Présentation
Utiliser l'API Storage Write (gRPC)
Aperçu
Diffuser des données
Charger des données par lot
Diffuser des mises à jour en continu avec l'ingestion de la capture des données modifiées
Bonnes pratiques
Types de données Protocol Buffer et Arrow compatibles
Utiliser l'API Storage Write (REST)
Charger des données depuis d'autres services Google
Découvrir et cataloguer des données Cloud Storage
Charger des données à l'aide d'applications tierces
Charger des données à l'aide des opérations BigQuery Omni
Optimiser les tâches de chargement
Transformer les données
Présentation
Préparer les données
Présentation
Préparer des données avec Gemini
Transformer avec le LMD
Transformer des données dans des tables partitionnées
Utiliser l'historique des modifications
Transformer des données avec des pipelines
Présentation
Créer des pipelines
Exporter les données
Présentation
Exporter des résultats de requête
Exporter vers Cloud Storage
Exporter vers Bigtable
Exporter vers Spanner
Exporter vers AlloyDB
Exporter vers Pub/Sub
Exporter en tant que colonnes Protobuf
Tutoriels ELT
Créer un pipeline ELT pour les données d'analyse marketing
Analyser
Présentation
Explorer des données
Rechercher des ressources
Utiliser l'explorateur de tables
Procéder au profilage de vos données
Insights sur les données
À propos des insights sur les données
Générer des insights sur les tableaux
Générer des insights sur un ensemble de données
Analyser avec un canevas de données
Analyser des données avec Gemini
Analyser des données avec la CLI Gemini
Analyser vos données
Exécuter une requête
Rédiger des requêtes avec Gemini
Écrire des résultats de requête
Interroger des données avec SQL
Présentation
Tableaux
Données JSON
Requêtes à plusieurs instructions
Requêtes paramétrées
Syntaxe pipe
Analyser des données à l'aide de la syntaxe pipe
CTE récursifs
Résumés
Échantillonnage de table
Séries temporelles
Transactions
Tables génériques
Utiliser des notebooks
Présentation
Utiliser des notebooks Colab
Présentation
Créer des notebooks
Explorer les résultats de la requête
Visualiser les résultats de la requête
Créer et partager des applications de données
Utiliser Spark
Utiliser l'agent data science de Colab
Utiliser des DataFrames
Présentation
Installer des DataFrames
Modifie les données
Personnaliser les fonctions Python
Utiliser le ML et l'IA
Utiliser le système de types de données
Gérer les sessions et les E/S
Visualiser les graphiques
Utiliser des DataFrames dans dbt
Optimiser les performances
Migrer vers DataFrames version 2.0
Utiliser le plug-in BigQuery JupyterLab
Utiliser les analyses géospatiales
Présentation
Travailler avec des données analytiques géospatiales
Utiliser des données raster
Bonnes pratiques pour l'analyse spatiale
Visualiser des données géospatiales
Systèmes de grille pour l'analyse spatiale
Documentation de référence sur la syntaxe des analyses géospatiales
Tutoriels sur l'analyse géospatiale
Premiers pas avec l'analyse géospatiale
Utiliser les données analytiques géospatiales pour calculer le trajet d'un ouragan
Visualiser des données d'analyse géospatiale dans un notebook Colab
Utiliser des données matricielles pour analyser la température
Routines
Présentation
Gérer les routines
Fonctions définies par l'utilisateur
Fonctions définies par l'utilisateur en Python
Fonctions d'agrégation définies par l'utilisateur
Fonctions de table
Fonctions à distance
Procédures stockées dans SQL
Procédures stockées pour Apache Spark
Analyser des tables d'objets à l'aide de fonctions distantes
Tutoriel sur les fonctions à distance et l'API Translation
Analyser des données multimodales
Présentation
Utiliser des valeurs ObjectRef
Analyser des données multimodales avec SQL et les DataFrames BigQuery
Rechercher dans les index
Présentation
Gérer les index de recherche
Effectuer une recherche sur des données indexées
Utiliser des analyseurs de texte
Exécuter des requêtes globales
Accéder aux données de l'historique
Utiliser des bibliothèques Python Open Source
Utiliser BigQuery Graph
Présentation
Créer et interroger un graphique
Présentation du schéma
Présentation des requêtes
Bonnes pratiques concernant les requêtes
Utiliser les mesures
Utiliser le modélisateur de graphiques visuels
Visualiser les graphiques
Discuter avec un graphique
Utiliser des outils et des intégrations de visualisation
Utiliser BigQuery Graph et Spanner Graph
Rechercher dans un graphique
Gérer les requêtes
Enregistrer des requêtes
Présentation
Créer des requêtes enregistrées
Requêtes continues
Présentation
Créer des requêtes continues
Utiliser des jointures de flux à flux dans les requêtes continues
Comprendre l'agrégation de fenêtres dans les requêtes continues
Utiliser les résultats mis en cache
Utiliser des sessions
Présentation
Utiliser des sessions
Écrire des requêtes dans des sessions
Résoudre les problèmes liés aux requêtes
Optimiser les requêtes
Présentation
Utiliser l'explication du plan de requête
Obtenir des insights sur les performances des requêtes
Optimiser le calcul des requêtes
Utiliser les optimisations basées sur l'historique
Optimiser le stockage pour les performances des requêtes
Utiliser les vues matérialisées
Utiliser BI Engine
Utiliser des données imbriquées et répétées
Optimiser les fonctions
Utiliser l'environnement d'exécution avancé
Utiliser des clés primaires et étrangères
Paginer avec l'API BigQuery
Interroger des sources de données externes
Établir des connexions
Présentation
Créer des connexions
Créer une connexion de ressource Cloud
Créer une connexion de ressource Cloud par défaut
Connexions AlloyDB
Connexions Amazon S3
Connexions Apache Spark
Connexions Azure Blob Storage
Connexions Cloud SQL
Connexions SAP Datasphere
Connexions Spanner
Gérer les connexions
Configurer les connexions avec des rattachements de réseau
Exécuter des requêtes sur des données externes
Interroger des tables BigLake
Tables Amazon S3 BigLake
Tables BigLake Azure Blob Storage
Tables BigLake Cloud Storage
Analyser des données avec BigQuery Omni
Exporter des résultats de requête
Exporter vers Amazon S3
Exporter vers Azure Blob Storage
Interroger des tables externes
Tables externes Apache Iceberg
Tables externes Bigtable
Tables externes Cloud Storage
Tables externes Google Drive
Exécuter des requêtes fédérées
Présentation
Exécuter des requêtes fédérées AlloyDB
Exécuter des requêtes fédérées Cloud SQL
Exécuter des requêtes fédérées SAP Datasphere
Exécuter des requêtes fédérées Spanner
Analyser d'autres types de données externes
Interroger les formats de tables ouverts avec des fichiers manifestes
Analyser les données Salesforce Data Cloud
Utiliser des outils d'analyse et d'informatique décisionnelle
Présentation
Utiliser des feuilles connectées
Utiliser Tableau Desktop
Utiliser Looker
Utiliser Data Studio
Utiliser des outils tiers
Google Cloud Ready – BigQuery
Aperçu
Partenaires
BigQuery AI
Présentation
Fonctions d'IA générative
Aperçu
Parcours utilisateur de bout en bout pour les modèles d'IA générative
Choisir une fonction de génération de texte
Définir les autorisations pour les fonctions d'IA générative
Optimiser les coûts avec la distillation de modèles
Fonctions de l'API Cloud AI
Aperçu
Choisir une fonction de traitement du langage naturel
Choisir une fonction de traitement de documents
Tutoriels
Générer du texte
Générer du texte avec Gemini
Générer du texte avec Gemma
Générer du texte avec n'importe quel modèle compatible
Générer du texte à l'aide de AI.GENERATE
Gérer les erreurs de quota
Analysez des images
Effectuer une analyse sémantique
Régler les modèles de génération de texte
Régler un modèle
Améliorer les performances d'un modèle à l'aide des réglages et de l'évaluation
Générer des données structurées
Générer des données structurées
Traitement du langage naturel
Comprendre du texte
Traduire du texte
Traitement de documents
Traiter des documents
Analyser des PDF dans un pipeline de génération augmentée par récupération
Reconnaissance vocale
Transcrire des fichiers audio
Vision par ordinateur
Annoter des images
Exécuter l'inférence sur les données d'image
Analyser des images avec un modèle de classification importé
Analyser des images avec un modèle de vecteur de caractéristiques importé
Embeddings et recherche vectorielle
Aperçu
Index vectoriels
Gérer les index vectoriels
Automatiser la génération d'embeddings
Tutoriels
Générez des embeddings.
Générer des embeddings textuels avec un modèle distant
Générer des embeddings de texte à l'aide d'un modèle ouvert
Générer des embeddings d'images à l'aide d'un LLM
Générer des embeddings vidéo à l'aide d'un LLM
Gérer les erreurs de quota en appelant ML.GENERATE_EMBEDDING de manière itérative
Générer et rechercher des embeddings multimodaux
Générer des embeddings textuels à l'aide de modèles TensorFlow pré-entraînés
Générer des embeddings avec des modèles Transformer au format ONNX
Vector Search
Rechercher des embeddings à l'aide de la recherche vectorielle
Effectuer une recherche sémantique et une génération augmentée de récupération
IA d'assistance
Présentation de Gemini dans BigQuery
Configurer Gemini dans BigQuery
Utiliser Cloud Assist
Sécurité et confidentialité
Emplacements Gemini dans BigQuery
Analyser avec l'agent Conversational Analytics
Aperçu
Créer des agents de données
Analyser des données avec des conversations
Machine learning
Présentation
Comprendre les parcours utilisateur
Parcours utilisateur de bout en bout pour les modèles de ML
Parcours utilisateur de bout en bout pour les modèles de prévision
Parcours utilisateur de bout en bout pour les modèles importés
Modèle de prévision de séries temporelles TimesFM
Modèles de référence
Modèles de ML et MLOps
Création de modèle
Ingénierie et gestion des caractéristiques
Présentation du prétraitement des caractéristiques
Types de caractéristiques d'entrée compatibles
Prétraitement automatique
Prétraitement manuel
Publication de caractéristiques
Effectuer une ingénierie des caractéristiques avec la clause TRANSFORM
Présentation des réglages d'hyperparamètres
Présentation de l'évaluation de modèle
Présentation de l'inférence de modèle
Présentation d'Explainable AI
Présentation de pondération de modèle
Présentation des pipelines de ML
Présentation de la surveillance des modèles
Gérer les modèles BigQueryML dans Agent Platform
Utiliser des modèles
Répertorier les modèles
Gérer des modèles
Obtenir les métadonnées du modèle
Mettre à jour les métadonnées de modèle
Exporter des modèles
Supprimer des modèles
Classification
Régression
Réduction de la dimensionnalité
Clustering
Recommandation
Prévision
Détection d'anomalies
Analyse des contributions
Tutoriels
Premiers pas
Premiers pas avec BigQuery ML à l'aide de SQL
Premiers pas avec BigQuery ML à l'aide de la console Cloud
Régression et classification
Créer un modèle de régression linéaire
Créer un modèle de classification par régression logistique
Créer un modèle de classification d'arbres de décision boostés
Clustering
Regrouper des données avec un modèle de k-moyennes
Recommandation
Créer des recommandations basées sur des commentaires explicites avec un modèle de factorisation matricielle
Créer des recommandations basées sur des commentaires implicites avec un modèle de factorisation matricielle
Modèles importés et distants
Effectuer des prédictions à l'aide des modèles TensorFlow importés
Effectuer des prédictions à l'aide de modèles scikit-learn au format ONNX
Effectuer des prédictions à l'aide de modèles PyTorch au format ONNX
Effectuer des prédictions à l'aide de modèles distants sur Agent Platform
Réglages d'hyperparamètres
Améliorer les performances du modèle avec les réglages d'hyperparamètres
Exporter des modèles
Exporter un modèle BigQuery ML pour la prédiction en ligne
Des analyses optimisées
Prévision
Prévoir une seule série temporelle avec un modèle univarié ARIMA_PLUS
Prévoir plusieurs séries temporelles avec un modèle univarié ARIMA_PLUS
Prévoir des séries temporelles avec un modèle univarié TimesFM
Mettre à l'échelle un modèle univarié ARIMA_PLUS à des millions de séries temporelles
Prévoir une seule série temporelle avec un modèle multivarié
Prévoir plusieurs séries temporelles avec un modèle multivarié
Utiliser des jours fériés personnalisés avec un modèle univarié ARIMA_PLUS
Limiter les valeurs prévues pour un modèle univarié ARIMA_PLUS
Prévoir des séries temporelles hiérarchiques avec un modèle univarié ARIMA_PLUS
Détection d'anomalies
Détection d'anomalies avec un modèle TimesFM univarié
Détection d'anomalies avec une série temporelle multivariée
Analyse des contributions
Obtenir des insights sur les données à partir de l'analyse des contributions à l'aide d'une métrique sommable
Obtenir des insights sur les données à partir de l'analyse des contributions à l'aide d'une métrique de ratio sommable
Administrer
Présentation
Comprendre les éditions
Gérer les ressources
Comprendre la fiabilité
Gérer les paramètres de configuration
Gérer les composants de code
Gérer les préparations de données
Gérer les notebooks
Gérer les requêtes enregistrées
Gérer les pipelines
Organiser les composants de code avec des dossiers
Présentation
Créer et gérer des dossiers
Gérer les tables
Gérer les tables
Gérer des données de table
Modifier des schémas de table
Restaurer les tables supprimées
Gérer les clones de table
Présentation
Créer des clones de table
Gérer les instantanés de table
Présentation
Créer des instantanés de table
Restaurer des instantanés de table
Répertorier les instantanés de table
Afficher les métadonnées d'un instantané de table
Mettre à jour les métadonnées d'un instantané de table
Supprimer des instantanés de table
Créer des instantanés de table périodiques
Gérer les ensembles de données
Gérer les ensembles de données
Mettre à jour les propriétés des ensembles de données
Restaurer des ensembles de données supprimés
Gérer les vues et les vues matérialisées
Obtenir des informations sur les vues
Gérer les vues
Gérer les vues matérialisées
Gérer les instances répliquées de vues matérialisées
Ajouter une salle à un événement
Présentation
Planifier des composants de code
Planifier des préparations de données
Programmer des notebooks
Planifier des pipelines
Planifier des DAG
Planifier des jobs et des requêtes
Exécuter des tâches par programmation
Gestion de la charge de travail
Présentation
Comprendre les emplacements
Comprendre les réservations
Gérer les charges de travail
Utiliser des réservations d'emplacements
Gérer les attributions
Gérer les engagements
Gérer les jobs
Gérer les files d'attente de requêtes
Planifier des charges de travail
Estimer les besoins en capacité
Afficher les recommandations d'emplacements
Anciennes réservations
Présentation des anciennes réservations
Anciens engagements d'emplacements
Souscrire et gérer d'anciens engagements d'emplacements
Utiliser les anciennes réservations d'emplacements
Gérer BI Engine
Présentation
Réserver de la capacité BI Engine
