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 oder Python auf aussagekräftige Informationen konzentrieren und außerdem flexible Preismodelle einschließlich On-Demand- und Pauschaloptionen nutzen.
Weitere Informationen finden Sie auf der BigQuery-Produktseite.
立获300美元免费赠金
Google Cloud新用户首次注册即可获得300美元赠金。此外，无论新老用户，均可免费使用20多款产品，积累动手实践经验。
立获300美元免费赠金
Google Cloud新用户首次注册即可获得300美元赠金。此外，无论新老用户，均可免费使用20多款产品，积累动手实践经验。
Dokumentationsressourcen
Leitfäden
-
Kurzanleitungen: Console, Befehlszeile, Clientbibliotheken, oder BigQuery DataFrames (Python)
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 im Managed Service for Apache Spark vorverarbeiten
Anleitung zum Erstellen einer Datenverarbeitungspipeline mit Apache Spark mit Managed Service for Apache Spark 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 für die Datenanalyse
Erfahren Sie, wie Sie in BigQuery Daten abfragen, erfassen, optimieren, visualisieren und sogar Modelle für maschinelles Lernen mit SQL erstellen können.
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 BigQuery DataFrames- und 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.