BigQuery-Dokumentation
BigQuery ist das vollständig verwaltete, kostengünstige Data Warehouse für Analysen im Petabyte-Bereich von Google Cloud. Damit können Sie große Datenmengen nahezu in Echtzeit analysieren. Mit BigQuery muss keine Infrastruktur eingerichtet oder verwaltet werden. So können Sie sich mithilfe von GoogleSQL auf aussagekräftige Informationen konzentrieren und außerdem flexible Preismodelle einschließlich On-Demand- und Pauschaloptionen nutzen. Weitere Informationen
Proof of Concept mit einem Guthaben in Höhe von 300 $starten
- Zugriff auf Gemini 2.0 Flash Thinking erhalten
- Kostenlose monatliche Nutzung beliebter Produkte wie KI-APIs und BigQuery
- Keine automatischen Abbuchungen, keine Verpflichtung
Mehr als 20 Produkte immer kostenlos nutzen
Sie haben Zugriff auf mehr als 20 kostenlose Produkte für gängige Anwendungsfälle, darunter KI-APIs, VMs, Data Warehouses und mehr.
Dokumentationsressourcen
Leitfäden
-
Kurzanleitungen: Console, Befehlszeile, oder Clientbibliotheken
Referenz
Weitere Informationen
Schnellstart-Lösung für Data Warehouses mit BigQuery
Beispiels-Data Warehouse mit BigQuery bereitstellen und verwenden.
BigQuery for Data Warehousing
Best Practices zum Extrahieren, Transformieren und Laden Ihrer Daten in Google Cloud mit BigQuery.
BigQuery-Daten mit PySpark in Dataproc vorverarbeiten
Anleitung zum Erstellen einer Datenverarbeitungspipeline mit Apache Spark mit Dataproc auf Google Cloud. Im Bereich von Data Science und Data Engineering werden Daten häufig von einem Speicherort gelesen, dann werden sie transformiert und in einen anderen Speicherort geschrieben.
BigQuery For Data Analysis
Erfahren Sie, wie Sie mit BigQuery Modelle für maschinelles Lernen in SQL abfragen, aufnehmen, optimieren, visualisieren und sogar erstellen.
BigQuery für Marketinganalysten
Gewinnen Sie wiederholbare, skalierbare und wertvolle Erkenntnisse aus Ihren Daten, indem Sie lernen, sie in BigQuery abzufragen.
BigQuery für maschinelles Lernen
Experimentieren Sie mit den verschiedenen Modelltypen in BigQuery Machine Learning und lernen Sie, was ein gutes Modell ausmacht.
Data Warehouses zu BigQuery migrieren
Muster und Empfehlungen für die Umstellung Ihres lokalen Data Warehouse auf BigQuery.
BigQuery-Daten in einem Jupyter-Notebook visualisieren
Verwenden Sie die BigQuery Python-Clientbibliothek und Pandas in einem Jupyter-Notebook, um Daten in einer BigQuery-Beispieltabelle zu visualisieren.
Client: Anmeldedaten mit Bereichen erstellen
Anmeldedaten mit Drive- und der BigQuery API-Bereichen erstellen
Client: Anmeldedaten mit Standardanmeldedaten für Anwendungen erstellen
Einen BigQuery-Client mithilfe der Standardanmeldedaten für Anwendungen erstellen.
Client: Mit Dienstkontoschlüssel erstellen
Einen BigQuery-Client mithilfe einer Dienstkonto-Schlüsseldatei erstellen.
Python-Beispiele
Mit BigQuery mit der Google Cloud Python-Clientbibliothek arbeiten
Node.js-Beispiele
Beispiele für die Node.js-Clientbibliothek für BigQuery
Einfaches C#-Beispiel
Ein einfaches C#-Programm und Code-Snippets für die Interaktion mit BigQuery
BigQuery und Cloud Monitoring in App Engine mit Java 8
In dieser API-Showcase wird gezeigt, wie Sie eine Anwendung der App Engine-Standardumgebung mit Abhängigkeiten sowohl in BigQuery als auch in Cloud Monitoring ausführen.
Alle Beispiele
Alle Beispiele für BigQuery durchsuchen
Ähnliche Videos
BigQuery testen
Neukunden erhalten außerdem ein Guthaben von 300 $, um Arbeitslasten auszuführen, zu testen und bereitzustellen.