Abfragen mit Unterstützung durch Gemini schreiben | BigQuery | 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
Español – América Latina
Français
Indonesia
Italiano
Português
Português – Brasil
עברית
中文 – 简体
中文 – 繁體
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
BigQuery Graph verwenden
Abfragen verwalten
Externe Datenquellen abfragen
- Verbindungen herstellen
- Abfragen für externe Daten ausführen
  - BigLake-Tabellen abfragen
    Amazon S3 BigLake-Tabellen
    BigLake-Tabellen in Azure Blob Storage
    BigLake-Tabellen in Cloud Storage
    Daten mit BigQuery Omni analysieren
    
    Abfrageergebnisse exportieren
    Export nach Amazon S3
    In Azure Blob Storage exportieren
  - Externe Tabellen abfragen
    Externe Apache Iceberg-Tabellen
    Externe Bigtable-Tabellen
    Externe Cloud Storage-Tabellen
    Externe Google Drive-Tabellen
  - Föderierte Abfragen ausführen
    Einführung
    Föderierte AlloyDB-Abfragen ausführen
    Föderierte Cloud SQL-Abfragen ausführen
    Föderierte SAP Datasphere-Abfragen ausführen
    Föderierte Spanner-Abfragen ausführen
  - Andere externe Datentypen analysieren
    Offene Tabellenformate mit Manifestdateien abfragen
    Salesforce Data Cloud-Daten analysieren
Analyse- und BI-Tools verwenden
- Einführung
- Verbundene Tabellenblätter verwenden
- Tableau Desktop verwenden
- Looker verwenden
- Data Studio verwenden
- Tools von Drittanbietern verwende
- Google Cloud-fähig – BigQuery
  - Übersicht
  - Partner
BigQuery AI
Einführung
Generative AI-Funktionen
- Übersicht
- End-to-End-Nutzerpfade für generative KI-Modelle
- Funktion für die Texterstellung auswählen
- Berechtigungen für Funktionen basierend auf generativer KI festlegen
- Kosten mit Model Distillation optimieren
- Cloud AI API-Funktionen
- Anleitungen
  - Text generieren
    Text mit Gemini generieren
    Text mit Gemma generieren
    Text mit einem beliebigen unterstützten Modell generieren
    Text mit AI.GENERATE generieren
    Kontingentfehler behandeln
    Bilder analysieren
    Semantische Analyse durchführen
    
    Modelle zur Textgenerierung abstimmen
    Modell abstimmen
    Feinabstimmung und Bewertung verwenden, um die Modelleistung zu verbessern
  - Strukturierte Daten generieren
    Strukturierte Daten generieren
  - Natural Language Processing
    Text verstehen
    Text übersetzen
  - Dokumentverarbeitung
    Dokumente verarbeiten
    PDFs in einer Retrieval-Augmented-Generation-Pipeline parsen
  - Spracherkennung
    Audiodateien transkribieren
  - Maschinelles Sehen
    Bilder annotieren
    Inferenz für Bilddaten ausführen
    Bilder mit einem importierten Klassifizierungsmodell analysieren
    Bilder mit einem importierten Merkmalsvektormodell analysieren
Einbettungen und Vektorsuche
Unterstützende KI
Mit einem KI-Agenten für die konversationelle Analyse analysieren
Maschinelles Lernen
Verwalten
Einführung
Versionen verstehen
Ressourcen verwalten
- Zuverlässigkeiten
- Konfigurationseinstellungen verwalten
- Code-Assets verwalten
  - Datenaufbereitung verwalten
  - Notebooks verwalten
  - Gespeicherte Abfragen verwalten
  - Pipelines verwalten
  - Code-Assets mit Ordnern organisieren
    Einführung
    Ordner erstellen und verwalten
- Tabellen verwalten
- Tabellenklone verwalten
  - Einführung
  - Tabellenklone erstellen
- Tabellen-Snapshots verwalten
- Datasets verwalten
- Ansichten und materialisierte Ansichten verwalten
Terminen Räume hinzufügen
- Einführung
- Code-Assets planen
- Jobs und Abfragen planen
  - Jobs programmatisch ausführen
Arbeitslastverwaltung
- Einführung
- Informationen zu Slots
- Informationen zu Reservierungen
- Arbeitslasten verwalten
- Arbeitslasten planen
  - Kapazitätsanforderungen schätzen
  - Slot-Empfehlungen aufrufen
- Legacy-Reservierungen
- BI Engine verwalten
  - Einführung
  - BI Engine-Kapazität reservieren
Arbeitslasten überwachen
Ressourcen optimieren
- Kosten kontrollieren
  - Kosten schätzen und kontrollieren
  - Benutzerdefinierte Abfragekontingente erstellen
- Mit Empfehlungen optimieren
- Inhalte mithilfe von Labels organisieren
Regulieren
Einführung
Datenqualität verwalten
- Nach Problemen mit der Datenqualität suchen
- Knowledge Catalog verwenden
Ressourcenzugriff steuern
- Einführung
- IAM-Rollen und -Berechtigungen
- Änderungen an Zugriffssteuerungen auf Dataset-Ebene
- Einfache Rollen und Berechtigungen
- Zugriff mit IAM steuern
- Zugriff mit Autorisierung steuern
- Netzwerkzugriff einschränken
  - Zugriff mit VPC Service Controls steuern
  - Regionale Endpunkte
- Zugriff auf Spalten und Zeilen steuern
  - Zugriff auf Tabellenspalten steuern
    Einführung in die Zugriffssteuerung auf Spaltenebene
    Zugriff mit Zugriffssteuerung auf Spaltenebene beschränken
    Auswirkungen auf Schreibvorgänge
  - Zugriff auf Tabellenzeilen steuern
    Einführung in die Sicherheit auf Zeilenebene
    Mit Sicherheit auf Zeilenebene arbeiten
    Sicherheit auf Zeilenebene mit anderen BigQuery-Features verwenden
    Best Practices für die Sicherheit auf Zeilenebene