跳至主要內容
說明文件
技術領域
close
AI 和機器學習
應用程式開發
應用程式託管
運算
資料分析和管道
資料庫
分散式、混合雲和多雲端
生成式 AI
產業解決方案
網路
觀測能力與監控
安全性
Storage
跨產品工具
close
存取權和資源管理
費用和用量管理
Google Cloud SDK、語言、架構和工具
基礎架構即程式碼
遷移
相關網站
close
Google Cloud 首頁
免費試用與免費方案
架構中心
網誌
聯絡銷售人員
Google Cloud Developer Center
Google 開發人員中心
Google Cloud Marketplace
Google Cloud Marketplace 說明文件
Google Cloud Skills Boost
Google Cloud Solution Center
Google Cloud 支援
Google Cloud Tech YouTube 頻道
/
English
Deutsch
Español – América Latina
Français
Indonesia
Italiano
Português – Brasil
中文 – 简体
中文 – 繁體
日本語
한국어
控制台
登入
BigQuery
指南
參考資料
範例
資源
聯絡我們
免費試用
說明文件
指南
參考資料
範例
資源
技術領域
更多
跨產品工具
更多
相關網站
更多
控制台
聯絡我們
免費試用
Discover
產品總覽
開始使用
使用 BigQuery 沙箱
試用控制台
查詢及以圖表呈現資料
載入及查詢資料
試用 DataFrames
試試指令列工具
載入及查詢資料
試用用戶端程式庫
探索 BigQuery 工具
探索控制台
探索指令列工具
遷移
總覽
遷移資料倉儲
BigQuery Migration Service 簡介
遷移評估
遷移結構定義與資料
遷移資料管道
遷移 SQL
以互動方式翻譯 SQL 查詢
使用 API 翻譯 SQL 查詢
批次翻譯 SQL 查詢
產生翻譯和評估的中繼資料
使用 YAML 轉換 SQL 翻譯
針對批次翻譯找出對應的 SQL 物件名稱
遷移指南
Amazon Redshift
遷移作業總覽
遷移 Amazon Redshift 結構定義和資料
使用 VPC 時遷移 Amazon Redshift 結構定義和資料
SQL 翻譯參考資料
Apache Hadoop
從 Hadoop 擷取中繼資料以進行遷移
從 Hadoop 遷移權限
排定 HDFS 資料湖移轉作業
Apache Hive
Hive 遷移作業總覽
遷移 Apache Hive 結構定義和資料
SQL 翻譯參考資料
IBM Netezza
從 IBM Netezza 遷移
SQL 翻譯參考資料
Oracle
遷移指南
SQL 翻譯參考資料
Snowflake
簡介
安排 Snowflake 轉移作業
遷移作業總覽
SQL 翻譯參考資料
Teradata
簡介
遷移作業總覽
遷移 Teradata 結構定義與資料
遷移教學課程
SQL 翻譯參考資料
設計
整理資源
API 依附元件
瞭解版本
資料集
簡介
可建立資料集
列出資料集
跨區域複製
代管災難復原
遷移至代管的災難復原服務
資料集資料保留
資料表
BigQuery 資料表
簡介
建立及使用資料表
BigQuery 中的 BigLake Iceberg 資料表
指定資料表結構定義
指定結構定義
指定巢狀與重複的資料欄
指定預設資料欄值
指定 ObjectRef 值
使用分區資料表進行區隔
簡介
建立分區資料表
管理分區資料表
查詢分區資料表
使用叢集資料表進行最佳化調整
簡介
建立叢集資料表
管理叢集資料表
查詢叢集資料表
使用中繼資料索引
外部資料表
簡介
外部資料表類型
BigLake 外部資料表
BigQuery Omni
物件資料表
外部資料表
外部資料表定義檔
外部分區資料
使用中繼資料快取
Amazon S3 BigLake 外部資料表
Apache Iceberg 外部資料表
Azure Blob Storage BigLake 資料表
Bigtable 外部資料表
適用於 Cloud Storage 的 BigLake 外部資料表
Cloud Storage 物件資料表
Cloud Storage 外部資料表
Delta Lake BigLake 資料表
Google 雲端硬碟外部資料表
View
邏輯檢視表
簡介
建立邏輯檢視畫面
具體化檢視表
簡介
建立具體化檢視表
管理所有檢視畫面類型
取得檢視表的相關資訊
管理檢視表
處理常式
簡介
管理日常安排
使用者定義函式
Python 中的使用者定義函式
使用者定義的匯總函式
資料表函式
遠端函式
SQL 預存程序
預存 Apache Spark 程序
使用遠端函式分析物件資料表
遠端函式和 Translation API 教學課程
連線
簡介
Amazon S3 連線
Apache Spark 連線
Azure Blob 儲存體連線
Cloud 資源連線
Spanner 連線
Cloud SQL 連線
AlloyDB 連線
SAP Datasphere 連線
管理連線
設定網路連結與網路連結
預設連線
索引
搜尋索引
簡介
管理搜尋索引
向量索引
簡介
管理向量索引
載入、轉換及匯出
簡介
載入資料
簡介
儲存空間總覽
BigQuery 資料移轉服務
簡介
資料位置和移轉作業
授權轉移
啟用移轉
設定網路連線
Cloud SQL 執行個體存取權
AWS VPN 和網路連結
Azure VPN 和網路連結
管理轉移作業
移轉執行通知
排解移轉設定問題
使用服務帳戶
使用第三方移轉服務
使用自訂機構政策
資料來源變更記錄
事件導向轉移作業
轉移指南
Amazon S3
簡介
排定移轉作業
轉移執行階段參數
Azure Blob 儲存體
簡介
排定移轉作業
轉移執行階段參數
Campaign Manager
排定移轉作業
報表轉換
Cloud Storage
簡介
排定移轉作業
轉移執行階段參數
Comparison Shopping Service Center
簡介
排定移轉作業
轉移報表結構定義
Display & Video 360
排定移轉作業
報表轉換
Facebook 廣告
排定移轉作業
報表轉換
Google Ad Manager
排定移轉作業
報表轉換
Google Ads
排定移轉作業
報表轉換
Google Analytics (分析) 4
排定移轉作業
報表轉換
Google Merchant Center
簡介
排定移轉作業
查詢資料
遷移指南
暢銷商品
價格競爭力
轉移報表結構定義
「暢銷商品」表格
店面商品目錄表
成效表
價格基準表
價格競爭力表格
價格分析表格
產品目錄資料表
產品目標對象表
產品表
區域性商品目錄資料表
「熱門品牌」表格
熱門產品表格
Google Play
排定移轉作業
轉移報表轉換
MySQL
排定移轉作業
Oracle
排定移轉作業
PostgreSQL
排定移轉作業
Salesforce
排定移轉作業
Salesforce Marketing Cloud
排定移轉作業
Search Ads 360
排定移轉作業
轉移報表轉換
遷移指南
ServiceNow
排定移轉作業
YouTube 頻道
排定移轉作業
轉移報表轉換
YouTube 內容擁有者
排定移轉作業
轉移報表轉換
批次載入資料
簡介
自動偵測結構定義
載入 Avro 資料
載入 Parquet 資料
載入 ORC 資料
載入 CSV 資料
載入 JSON 資料
載入外部分區資料
從 Datastore 匯出檔案載入資料
從 Firestore 匯出檔案載入資料
使用 Storage Write API 載入資料
將資料載入分區資料表
使用 Storage API 寫入及讀取資料
使用 Storage Read API 讀取資料
使用 Storage Write API 寫入資料
簡介
使用 Storage Write API 串流資料
使用 Storage Write API 批次載入資料
最佳做法
支援的通訊協定緩衝區和 Arrow 資料類型
使用變更資料擷取功能串流更新
使用舊版串流 API
從其他 Google 服務載入資料
探索及目錄 Cloud Storage 資料
使用第三方應用程式載入資料
使用跨雲端作業載入資料
轉換資料
簡介
準備資料
簡介
使用 Gemini 準備資料
使用 DML 轉換
轉換分區資料表中的資料
使用變更記錄
使用管道轉換資料
簡介
建立管道
匯出資料
簡介
匯出查詢結果
匯出至 Cloud Storage
匯出至 Bigtable
匯出至 Spanner
匯出至 Pub/Sub
匯出為 Protobuf 欄
分析
簡介
搜尋資源
探索您的資料
使用表格探索器建立查詢
剖析資料
產生資料洞察資料
使用資料畫布進行分析
使用 Gemini 分析資料
查詢 BigQuery 資料
執行查詢
使用 Gemini 撰寫查詢
寫入查詢結果
使用 SQL 查詢資料
簡介
陣列
JSON 資料
多陳述式查詢
參數化查詢
管道語法
使用管道語法分析資料
遞迴 CTE
短劇
資料表取樣
時間序列
交易
萬用字元資料表
使用地理空間分析功能
簡介
使用地理空間分析服務
使用影像資料
空間分析的最佳做法
視覺化呈現地理空間資料
空間分析的格線系統
地理空間分析語法參考資料
地理空間分析教學課程
開始使用地理空間分析
使用地理空間數據分析繪製颶風路徑
在 Colab 筆記本中以圖表呈現地理空間分析資料
使用光柵資料分析溫度
搜尋資料
搜尋已建立索引的資料
使用文字分析器
存取歷來資料
使用查詢
儲存查詢
簡介
建立儲存的查詢
持續查詢
簡介
建立持續查詢
使用快取結果
使用工作階段
簡介
使用工作階段
在工作階段中編寫查詢
排解查詢問題
最佳化查詢
簡介
使用查詢計畫說明
取得查詢效能洞察資料
最佳化調整查詢運算
使用以記錄為依據的最佳化功能
針對查詢效能最佳化儲存空間
使用具體化檢視表
使用 BI Engine
使用巢狀與重複資料
最佳化函式
使用進階執行階段
使用主鍵和外鍵
分析多模態資料
簡介
使用 SQL 和 Python UDF 分析多模態資料
使用 BigQuery DataFrame 分析多模態資料
查詢外部資料來源
使用 BigLake 中繼存放區管理開放原始碼中繼資料
簡介
搭配 BigQuery 中的資料表使用
搭配 Dataproc 使用
搭配使用 Serverless for Apache Spark
搭配 Spark 預存程序使用
管理中繼存放區資源
使用 Spark 建立及查詢資料表
自訂其他功能
搭配 Iceberg REST 目錄使用
適用於 lakehouse 的最佳資料和中繼資料格式
使用外部資料表和資料集
Amazon S3 資料
查詢 Amazon S3 資料
將查詢結果匯出至 Amazon S3
查詢 Apache Iceberg 資料
使用資訊清單查詢開放式資料表格式
Azure Blob 儲存體資料
查詢 Azure Blob 儲存體資料
將查詢結果匯出至 Azure Blob 儲存體
查詢 Cloud Bigtable 資料
Cloud Storage 資料
查詢 BigLake 資料表中的 Cloud Storage 資料
查詢外部資料表中的 Cloud Storage 資料
使用 Salesforce Data Cloud 資料
查詢 Google 雲端硬碟資料
建立 AWS Glue 聯合資料集
建立 Spanner 外部資料集
執行聯合查詢
聯合查詢
查詢 SAP Datasphere 資料
查詢 AlloyDB 資料
查詢 Spanner 資料
查詢 Cloud SQL 資料
使用筆記本
簡介
使用 Colab 筆記本
簡介
建立筆記本
瀏覽查詢結果
使用 Spark
使用 Colab 資料科學代理
使用 DataFrame
簡介
使用 DataFrame
使用資料型別系統
管理工作階段和 I/O
以圖表呈現資料
在 dbt 中使用 DataFrame
最佳化效能
使用 Jupyter Notebook
使用 BigQuery JupyterLab 外掛程式
使用分析和商業智慧工具
簡介
使用連結試算表
使用 Tableau Desktop
使用 Looker
使用 Looker Studio
使用第三方工具
Google Cloud 適用的 BigQuery
總覽
合作夥伴
AI 與機器學習
簡介
生成式 AI 和預先訓練模型
生成式 AI 模型的端對端使用者歷程
生成式 AI
總覽
內建模型
TimesFM 時間序列預測模型
教學課程
生成文字
使用公開資料和 Gemini 生成文字
使用公開資料和 Gemma 產生文字
使用資料生成文字
透過重複呼叫 ML.GENERATE_TEXT 處理配額錯誤
使用 Gemini 模型分析圖片
調整文字產生模型
使用資料調整模型
使用調整和評估功能改善模型效能
產生結構化資料
產生結構化資料
產生嵌入
使用大型語言模型生成文字嵌入
使用開放模型生成文字嵌入
使用大型語言模型生成圖像嵌入
使用大型語言模型產生影片嵌入
透過重複呼叫 ML.GENERATE_EMBEDDING 處理配額錯誤
產生及搜尋多模態嵌入
使用預先訓練的 TensorFlow 模型產生文字嵌入
向量搜尋
使用向量搜尋搜尋嵌入
執行語意搜尋和檢索增強生成
特定工作的解決方案
總覽
教學課程
自然語言處理
理解文字
翻譯文字
文件處理中
處理文件
在檢索增強生成管道中剖析 PDF
語音辨識
轉錄音訊檔案
電腦視覺
為圖片加上註解
對圖片資料執行推論
使用匯入的分類模型分析圖片
使用匯入的特徵向量模型分析圖片
選擇生成式 AI 和特定工作函式
選擇自然語言處理函式
選擇文件處理函式
選擇轉錄函式
機器學習
機器學習模型的端對端使用者歷程
匯入模型的端對端使用者歷程
機器學習模型和機器學習運作
模型建立
特徵工程和管理
特徵預先處理總覽
支援的輸入地圖項目類型
自動預先處理
手動預先處理
特徵供應
使用 TRANSFORM 子句執行特徵工程
超參數調整總覽
模型評估總覽
模型推論總覽
Explainable AI 總覽
模型權重總覽
機器學習管道總覽
模型監控總覽
在 Vertex AI 中管理 BigQuery ML 模型
用途
分類
迴歸
降低維度
分群
建議
異常偵測
教學課程
開始使用
使用 SQL 開始使用 BigQuery ML
使用 Cloud Console 開始使用 BigQuery ML
迴歸和分類
建立線性迴歸模型
建立邏輯迴歸分類模型
建立強化型樹狀結構分類模型
分群
使用 k-means 模型將資料分群
建議
使用矩陣分解模型，根據明確的意見回饋建立推薦內容
使用矩陣分解模型，根據隱含的意見回饋建立推薦內容
異常偵測
使用多變數時間序列進行異常偵測
匯入和遠端模型
使用匯入的 TensorFlow 模型進行預測
使用 ONNX 格式的 scikit-learn 模型進行預測
使用 ONNX 格式的 PyTorch 模型進行預測
在 Vertex AI 上使用遠端模型進行預測
超參數調整
透過超參數調整提升模型效能
可匯出模型
匯出 BigQuery ML 模型以進行線上預測
時間序列
總覽
預測模型的端對端使用者歷程
教學課程
使用 ARIMA_PLUS 單變數模型預測單一時間序列
使用 ARIMA_PLUS 單變數模型預測多個時間序列
使用 TimesFM 單變數模型預測時間序列
將 ARIMA_PLUS 單變量模型擴展至數百萬個時間序列
使用多變數模型預測單一時間序列
使用多變數模型預測多個時間序列
搭配 ARIMA_PLUS 單變量模型使用自訂假日