nohup streamlit run my_app.py > streamlit.log 2>&1 &
ps aux | grep "streamlit run"
kill -9 PROCESS_ID
pip install --upgrade google-cloud-bigquery
Project API에서 ENABLE APIS AND SERVICES 버튼을 클릭한다.
manage 버튼을 클릭한다.
CREATE CREDENTIALS클릭)
NEXT 버튼을 클릭한다.
Service account ID 작성 후, CREATE AND CONTINUE 버튼을 클릭한다.
CONTINUE 버튼을 클릭한다.
ML.EVALUATE 함수를 사용하여 ML 모델 평가ML.PREDICT 함수를 사용하여 ML 모델 예측bqml_practice 입력
species — 펭귄의 종(문자열)island — 펭귄이 사는 섬(문자열)culmen_length_mm — 컬멘 길이(밀리미터)(FLOAT64).culmen_depth_mm — 컬멘 깊이(밀리미터)(FLOAT64)flipper_length_mm — 지느러미의 길이(밀리미터)(FLOAT64)sex — 펭귄의 성별(문자열)CREATE MODEL 명령어를 실행하여 모델을 생성한다.#standardSQL
CREATE OR REPLACE MODEL `bqml_practice.penguins_model`
OPTIONS
(model_type='linear_reg',
input_label_cols=['body_mass_g']) AS
SELECT
*
FROM
`bigquery-public-data.ml_datasets.penguins`
WHERE
body_mass_g IS NOT NULL
TRY IT FREE 를 클릭한다.
본격적인 빅쿼리 실습에 앞서서, Python과 연동하는 예제를 준비하였다. 빅쿼리 시작에 앞서서 선행적으로 클라우드 사용을 해야 한다.
위 API를 이용하지 않으면 Python 또는 R과 연동해서 사용할 수는 없다. 자주 쓰는것이 아니라면 비용은 거의 발생하지 않으니 염려하지 않아도 된다. 비용관리에 대한 자세한 내용은 BigQuery 권장사항: 비용 관리에서 확인하기를 바란다.
데이터 분석을 위한 SQL 레시피 교재를 빅쿼리에서 활용해본다.
예제 소스 코드를 열어봅니다.
sql 소스코드로 구성이 되어 있는 것을 확인할 수 있습니다.
저자가 말하는 샘플 데이터 내용은 아래와 같습니다.
이번에는 임의의 SQL 파일을 열어서 확인하도록 합니다.
Table을 생성하는 형태로 구성이 되어 있는 것을 알 수 있습니다.sqlRecipe라고 하였습니다.
본격적인 빅쿼리 실습에 앞서서, Python과 연동하는 예제를 준비하였다. 빅쿼리 시작에 앞서서 선행적으로 클라우드 사용을 해야 한다.
위 API를 이용하지 않으면 Python 또는 R과 연동해서 사용할 수는 없다. 자주 쓰는것이 아니라면 비용은 거의 발생하지 않으니 염려하지 않아도 된다. 비용관리에 대한 자세한 내용은 BigQuery 권장사항: 비용 관리에서 확인하기를 바란다.