BigQuery, Pandas 예제¶

노트북 작성: 박상길 [email protected]
inspired by a book called
『Google BigQuery: The Definitive Guide: Data Warehousing, Analytics, and Machine Learning at Scale』

런던의 전체 자전거 대여소의 사용 횟수와 평균 사용 시간을 추출해보자.

In [4]:
%%bigquery df
SELECT
start_station_name
, AVG(duration) as duration
, COUNT(duration) as num_trips
FROM bigquery-public-data.london_bicycles.cycle_hire
GROUP BY start_station_name
ORDER BY num_trips DESC

In [5]:
df

Out[5]:
start_station_name duration num_trips
0 Belgrove Street , King's Cross 1011.076696 234458
1 Hyde Park Corner, Hyde Park 2782.730709 215629
2 Waterloo Station 3, Waterloo 866.376135 201630
3 Black Lion Gate, Kensington Gardens 3588.012004 161952
4 Albert Gate, Hyde Park 2359.413930 155647
... ... ... ...
876 Blackfriars road, Southwark 96.000000 5
877 LSP2 105.000000 4
878 PENTON STREET COMMS TEST TERMINAL _ CONTACT MA... 0.000000 1
879 LSP1 840.000000 1

880 rows × 3 columns

In [6]:
df.describe()

Out[6]:
duration num_trips
count 880.000000 880.000000
mean 1348.351153 27692.273864
std 434.057829 23733.621289
min 0.000000 1.000000
25% 1078.684974 13033.500000
50% 1255.889223 23658.500000
75% 1520.504055 35450.500000
max 4836.380090 234458.000000

다음과 같이 산점도(scatter plot)로 표현할 수 있다.

In [7]:
df.plot.scatter('duration', 'num_trips')

Out[7]:
<matplotlib.axes._subplots.AxesSubplot at 0x7f4585f20490>

만일 누군가 어떤 대여소에서 자전거를 빌린 지 10분도 채 되지 않아 다시 원래 대여소로 되돌려 놓았다면 아마도 그 자전거에 문제가 있었기 때문이라고 추정할 수 있다. 이런 상황을 망친 나들이(bad trips)라 부르기로 하고 추출을 시도해보자.

In [10]:
%%bigquery badtrips
SELECT
start_station_name
, COUNTIF(duration < 600 AND start_station_name = end_station_name) AS bad_trips
, COUNT(*) as num_trips
FROM bigquery-public-data.london_bicycles.cycle_hire
WHERE EXTRACT(YEAR FROM start_date) = 2015
GROUP BY start_station_name
HAVING num_trips > 10
)

In [11]:
badtrips

Out[11]:
0 Contact Centre, Southbury House 20 48 0.416667
1 Monier Road, Newham 1 25 0.040000
2 Aberfeldy Street, Poplar 35 955 0.036649
3 Ormonde Gate, Chelsea 315 8932 0.035266
4 Thornfield House, Poplar 28 947 0.029567
... ... ... ... ...
818 Sun Street, Liverpool Street 70 28787 0.002432
819 Finsbury Circus, Liverpool Street 100 44822 0.002231
820 Waterloo Station 3, Waterloo 151 80916 0.001866
821 Waterloo Roundabout, Waterloo 3 1678 0.001788
822 Monier Road 0 11 0.000000

823 rows × 4 columns

In [12]:
badtrips.plot.scatter('num_trips', 'fraction_bad')

Out[12]:
<matplotlib.axes._subplots.AxesSubplot at 0x7f4585de3e10>

이 그래프를 보면 fraction_bad 컬럼의 값이 높을수록 관련된 대여소의 num_trips 컬럼 값이 낮다는 점을 알 수 있지만 0.4라는 예외 때문에 그 트렌드가 명확하게 보이지 않는다. 다음 seaborn 패키지를 이용해서 데이터를 조금 더 자세히 들여다보자.

regplot do Plot the data and draw a linear regression model.

In [13]:
import seaborn as sns
ax.set_ylim(0, 0.05)

Out[13]:
(0.0, 0.05)

이제 num_trips 컬럼 값이 낮은 대여소일수록 fraction_bad 컬럼 값이 높다는 점이 명확해졌다.

그런데, fraction_bad 값이 높을수록 num_trips 값이 낮으므로 단순히 fraction_bad 값이 높은 대여소로 직원을 보내서는 안된다. 그렇다면 임의 조사를 수행할 대여소를 어떻게 골라야 할까?

한 가지 방법은 사용 빈도가 높은 대여소 중에서 상황이 좋지 않은 5곳을 선택하고, 그 다음으로 사용 빈도가 높은 대여소 중 5곳을 선택해 나가는 방법이다. 그러려면 num_trips 컬럼 값을 기준으로 대여소의 변위치(quantile)을 구해 4개의 묶음(band)을 만들고, 각 묶음 안에서 망친 나들이 비율이 가장 높은 5개의 대여소를 찾으면 된다.

In [29]:
stations_to_examine = []
for band in range(1,5):
query = 'num_trips >= {} and num_trips < {}'.format(
min_trips, max_trips)
print(query) # band
stations = stations.sort_values(
print(stations) # 5 worst
stations_to_examine.append(stations)
print()

num_trips >= 4826.4 and num_trips < 8511.8
6        River Street , Clerkenwell        221       8279      0.026694
9   Courland Grove, Wandsworth Road        105       5369      0.019557
10         Stanley Grove, Battersea         92       4882      0.018845
12              Southern Grove, Bow        112       6152      0.018205
18    Richmond Way, Shepherd's Bush        126       8149      0.015462

num_trips >= 8511.8 and num_trips < 11502.6
3              Ormonde Gate, Chelsea        315       8932      0.035266
41  Emperor's Gate, South Kensington        136      10554      0.012886
53     Chepstow Villas, Notting Hill        135      11038      0.012230
57            Salmon Lane, Limehouse        113       9345      0.012092
63       Greyhound Road, Hammersmith        118       9998      0.011802

num_trips >= 11502.6 and num_trips < 16509.2
35            Hertford Road, De Beauvoir Town        195      14188
39              Bramham Gardens, Earl's Court        212      16178
62                 Lancaster Gate , Bayswater        172      14554
75               Ilchester Gardens, Bayswater        159      14137
80  Westfield Library Corner, Shepherd's Bush        126      11517

35      0.013744
39      0.013104
62      0.011818
75      0.011247
80      0.010940

num_trips >= 16509.2 and num_trips < 95740.0
25  Queen's Gate, Kensington Gardens        396      27457      0.014423
74     Speakers' Corner 2, Hyde Park        468      41107      0.011385
76        Cumberland Gate, Hyde Park        303      26981      0.011230
77            Albert Gate, Hyde Park        729      66547      0.010955
82      Triangle Car Park, Hyde Park        454      41675      0.010894


In [30]:
import pandas as pd

stations_to_examine = pd.concat(stations_to_examine)

Out[30]:
6 River Street , Clerkenwell 221 8279 0.026694
9 Courland Grove, Wandsworth Road 105 5369 0.019557
10 Stanley Grove, Battersea 92 4882 0.018845
12 Southern Grove, Bow 112 6152 0.018205
18 Richmond Way, Shepherd's Bush 126 8149 0.015462

이 데이터를 추후 보고서 작성을 위해 별도 테이블로 저장한다.

In [31]:
from google.cloud import bigquery

PROJECT='myhyundai20'
bq = bigquery.Client(project=PROJECT)

job.result() # blocks and waits
print("Loaded {} rows into {}".format(job.output_rows, table_id))

Loaded 20 rows into myhyundai20.experiments.bad_bikes


이제 저장한 대여소 위치를 위경도를 지닌 테이블과 조인하여 지도에 표현해본다.

In [35]:
%%bigquery stations_to_examine
SELECT
start_station_name AS station_name
, num_trips
, latitude
, longitude
FROM myhyundai20.experiments.bad_bikes AS bad
JOIN myhyundai20.experiments.cycle_stations AS s

In [38]:
stations_to_examine.head(5)

Out[38]:
0 Ormonde Gate, Chelsea 8932 0.035266 51.487964 -0.161765
1 Stanley Grove, Battersea 4882 0.018845 51.470475 -0.152130
2 Courland Grove, Wandsworth Road 5369 0.019557 51.472918 -0.132103
3 Southern Grove, Bow 6152 0.018205 51.523538 -0.030556
4 Salmon Lane, Limehouse 9345 0.012092 51.514115 -0.033828

folium 패키지를 이용해 지도에 표현해보자.

In [39]:
import folium
map_pts = folium.Map(location=[51.5, -0.15], zoom_start=12)
for idx, row in stations_to_examine.iterrows():