Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Einführung in raumbezogene Analysen
In einem Data Warehouse wie BigQuery sind in der Regel Standortinformationen verfügbar. Viele zentrale Geschäftsvorgänge drehen sich um Standortdaten. Beispielsweise können Sie den Breiten- und Längengrad des Standorts Ihrer Lieferfahrzeuge oder -pakete im Zeitablauf erfassen. Sie haben auch die Möglichkeit, Kundentransaktionen aufzuzeichnen und die Daten mit einer anderen Tabelle mit Filialstandortdaten zu verknüpfen.
Mit dieser Art von Standortdaten lässt sich dann ermitteln, wann ein Paket voraussichtlich ankommt, oder feststellen, welche Kunden ein Schreiben für einen bestimmten Filialstandort erhalten sollen. Mit raumbezogenen Analysen können Sie raumbezogene Daten in BigQuery mithilfe geografischer Datentypen und geografischer GoogleSQL-Funktionen analysieren und visualisieren.
Beschränkungen
Raumbezogene Analysen unterliegen den folgenden Einschränkungen:
Der Datentyp GEOGRAPHY wird derzeit nur von der BigQuery-Clientbibliothek für Python unterstützt. Bei anderen Clientbibliotheken konvertieren Sie GEOGRAPHY-Werte mithilfe der Funktion ST_ASTEXT oder ST_ASGEOJSON in Strings.
Bei der Konvertierung in Text mithilfe von ST_AsText wird nur ein Wert gespeichert. Bei der Konvertierung in WKT werden die Daten als STRING-Daten und nicht als GEOGRAPHY-Daten annotiert.
Kontingente
Für die verschiedenen Arten von Jobs, die Sie für Tabellen mit raumbezogenen Daten ausführen können, gelten Kontingente und Beschränkungen für raumbezogene Analysen, einschließlich der folgenden Jobtypen:
Viele Tabellenvorgänge sind kostenlos, einschließlich das Laden von Daten, Kopieren von Tabellen und Exportieren von Daten. Obwohl diese Vorgänge kostenlos sind, unterliegen sie dennoch den Kontingenten und Beschränkungen von BigQuery. Weitere Informationen zu allen kostenlosen Vorgängen finden Sie auf der Seite "Preise" unter Kostenlose Vorgänge.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Schwer verständlich","hardToUnderstand","thumb-down"],["Informationen oder Beispielcode falsch","incorrectInformationOrSampleCode","thumb-down"],["Benötigte Informationen/Beispiele nicht gefunden","missingTheInformationSamplesINeed","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2025-02-06 (UTC)."],[[["\u003cp\u003eGeospatial analytics in BigQuery allows for the analysis and visualization of location data, utilizing geography data types and GoogleSQL geography functions.\u003c/p\u003e\n"],["\u003cp\u003eLocation data, such as latitude and longitude, is commonly used in data warehouses to inform critical business decisions, like delivery times or targeted marketing.\u003c/p\u003e\n"],["\u003cp\u003eGeospatial analytics has some limitations, including being exclusively available in GoogleSQL and with the BigQuery client library for Python being the only one to directly support the \u003ccode\u003eGEOGRAPHY\u003c/code\u003e data type.\u003c/p\u003e\n"],["\u003cp\u003eThe use of geospatial analytics in BigQuery incurs costs based on data storage and query execution, with certain operations like loading, copying, and exporting data being free, but still subject to quotas and limits.\u003c/p\u003e\n"],["\u003cp\u003eSeveral resources are available for those wishing to learn more, including getting started guides, visualization options, and information on working with geospatial data and GoogleSQL functions.\u003c/p\u003e\n"]]],[],null,["# Introduction to geospatial analytics\n====================================\n\nIn a data warehouse like BigQuery, location information is\ncommon and can influence critical business decisions. You can use geospatial\nanalytics to analyze and visualize geospatial data in BigQuery\nby using the\n[`GEOGRAPHY` data type](/bigquery/docs/reference/standard-sql/data-types#geography_type)\nand\n[GoogleSQL geography functions](/bigquery/docs/reference/standard-sql/geography_functions).\n\nFor example, you might record the latitude and longitude of your delivery\nvehicles or packages over time. You might also record customer transactions and\njoin the data to another table with store location data. You can use this type\nof location data to do the following:\n\n- Estimate when a package is likely to arrive.\n- Determine which customers should receive a mailer for a particular store location.\n- Combine your data with percent tree cover from satellite imagery to decide if delivery by aerial drone is feasible.\n\nLimitations\n-----------\n\nGeospatial analytics is subject to the following limitations:\n\n- [Geography functions](/bigquery/docs/reference/standard-sql/geography_functions) are available only in GoogleSQL.\n- Only the BigQuery client library for Python supports the `GEOGRAPHY` data type. For other client libraries, convert `GEOGRAPHY` values to strings by using the `ST_ASTEXT` or `ST_ASGEOJSON` function. Converting to text using `ST_ASTEXT` stores only one value, and converting to WKT means that the data is annotated as a `STRING` type instead of a `GEOGRAPHY` type.\n\nQuotas\n------\n\nQuotas and limits on geospatial analytics apply to the different types of\njobs you can run against tables that contain geospatial data, including the\nfollowing job types:\n\n- [Loading data](/bigquery/quotas#load_jobs) (load jobs)\n- [Exporting data](/bigquery/quotas#export_jobs) (export jobs)\n- [Querying data](/bigquery/quotas#query_jobs) (query jobs)\n- [Copying tables](/bigquery/quotas#copy_jobs) (copy jobs)\n\nFor more information on all quotas and limits, see [Quotas and limits](/bigquery/quotas).\n\nPricing\n-------\n\nWhen you use geospatial analytics, your charges are based on the\nfollowing factors:\n\n- How much data is stored in the tables that contain geospatial data\n- The queries you run against the data\n\nFor information on storage pricing, see [Storage pricing](/bigquery/pricing#storage).\n\nFor information on query pricing, see [Analysis pricing models](/bigquery/pricing#analysis_pricing_models).\n\nMany table operations are free, including loading data, copying tables, and\nexporting data. Though free, these operations are subject to\nBigQuery's [Quotas and limits](/bigquery/quotas). For information\non all free operations, see [Free operations](/bigquery/pricing#free) on the\npricing page.\n\nWhat's next\n-----------\n\n- To get started with geospatial analytics, see [Get started with geospatial analytics](/bigquery/docs/geospatial-get-started).\n- To learn more about visualization options for geospatial analytics, see [Visualize geospatial data](/bigquery/docs/geospatial-visualize).\n- To learn more about working with geospatial data, see [Work with geospatial data](/bigquery/docs/geospatial-data).\n- To learn more about working with raster data, see [Work with raster data](/bigquery/docs/raster-data).\n- To learn more about incorporating Google Earth Engine geospatial data into BigQuery, see [Load Google Earth Engine geospatial data](/bigquery/docs/geospatial-data#load-ee).\n- For documentation on GoogleSQL functions in geospatial analytics, see [Geography functions in GoogleSQL](/bigquery/docs/reference/standard-sql/geography_functions).\n- To learn about different grid systems, see [Grid systems for spatial analysis](/bigquery/docs/grid-systems-spatial-analysis).\n- To learn more about geospatial datasets and geospatial analytics and AI, see [Geospatial Analytics](/solutions/geospatial)."]]
