BigQuery DataFrames verwenden

BigQuery DataFrames bietet ein Pythonic DataFrame und eine API für maschinelles Lernen (ML), die von der BigQuery-Engine unterstützt werden. BigQuery DataFrames ist ein Open-Source-Paket. Sie können pip install --upgrade bigframes ausführen, um die neueste Version zu installieren.

BigQuery DataFrames bietet zwei Bibliotheken:

  • bigframes.pandas, eine mit Pandas kompatible API für Analysen bereitstellt.

  • bigframes.ml, das eine scikit-learn-ähnliche API für maschinelles Lernen (ML) bereitstellt.

Erforderliche Berechtigungen

Optionen

Nach der Installation müssen Sie den Standort und das Projekt angeben, in dem Sie BigQuery-DataFrames verwenden möchten. Sie können den Speicherort und das Projekt in Ihrem Notebook so definieren: 
import bigframes.pandas as bpd

PROJECT_ID = "bigframes-dec"  # @param {type:"string"}
REGION = "US"  # @param {type:"string"}

# Set BigQuery DataFrames options
# Note: The project option is not required in all environments.
# On BigQuery Studio, the project ID is automatically detected.
bpd.options.bigquery.project = PROJECT_ID

# Note: The location option is not required.
# It defaults to the location of the first table or query
# passed to read_gbq(). For APIs where a location can't be
# auto-detected, the location defaults to the "US" location.
bpd.options.bigquery.location = REGION

Wenn bf.options.bigquery.project nicht festgelegt ist, wird die Umgebungsvariable $GOOGLE_CLOUD_PROJECT verwendet, die in der Notebooklaufzeit festgelegt ist, die die BigQuery Studio- und Vertex AI-Notebooks bereitstellt.

Ort der Datenverarbeitung

BigQuery DataFrames ist auf Skalierung ausgelegt, die dadurch erreicht wird, dass Daten und Verarbeitung im BigQuery-Dienst verbleiben. Sie können jedoch Daten in den Arbeitsspeicher Ihres Clientcomputers übertragen, indem Sie .to_pandas() für ein DataFrame- oder Series-Objekt aufrufen. Wenn Sie sich dafür entscheiden, gilt die Speicherbeschränkung Ihres Clientcomputers.

Sitzungsstandort

BigQuery DataFrames verwendet ein lokales Sitzungsobjekt, um Metadaten intern zu verwalten. Diese Sitzung ist an einen Standort gebunden. BigQuery DataFrames verwendet die Multi-Region US als Standardstandort. Sie können jedoch session_options.location verwenden, um einen anderen Standort festzulegen. Jede Abfrage in einer Sitzung wird an dem Standort ausgeführt, an dem die Sitzung erstellt wurde. BigQuery DataFrames füllt bf.options.bigquery.location automatisch mit dem Speicherort der Tabelle, wenn der Nutzer mit read_gbq/read_gbq_table/read_gbq_query() beginnt und eine Tabelle angibt, entweder direkt oder in einer SQL-Anweisung.

Wenn Sie den Speicherort der erstellten DataFrame- oder Series-Objekte zurücksetzen möchten, können Sie die Sitzung schließen. Führen Sie dazu bigframes.pandas.close_session() aus. Danach können Sie bigframes.pandas.options.bigquery.location wiederverwenden, um einen anderen Standort anzugeben.

read_gbq() erfordert die Angabe eines Standorts, wenn sich das abgefragte Dataset nicht am multiregionalen Standort US befindet. Wenn Sie versuchen, eine Tabelle von einem anderen Speicherort zu lesen, wird die Ausnahme NotFound ausgegeben.

Datentypen

BigQuery DataFrames unterstützt die folgenden D-Typen "numpy" und "pandas":

BigQuery BigQuery DataFrames und pandas
BOOL pandas.BooleanDtype()
DATE pandas.ArrowDtype(pa.date32())
DATETIME pandas.ArrowDtype(pa.timestamp("us"))
FLOAT64 pandas.Float64Dtype()
GEOGRAPHY

geopandas.array.GeometryDtype()

Unterstützt von "to_pandas() only"
INT64 pandas.Int64Dtype()
STRING pandas.StringDtype(storage="pyarrow")
STRUCT pandas.ArrowDtype(pa.struct())
TIME pandas.ArrowDtype(pa.time64("us"))
TIMESTAMP pandas.ArrowDtype(pa.timestamp("us", tz="UTC"))

BigQuery DataFrames unterstützt die folgenden BigQuery-Datentypen nicht:

  • ARRAY

  • NUMERIC

  • BIGNUMERIC

  • INTERVAL

  • RANGE

  • JSON

Alle anderen BigQuery-Datentypen werden als Objekttyp angezeigt.

Bibliothek bigframes.pandas verwenden

Die bigframes.pandas-Bibliothek bietet eine pandas-ähnliche API, mit der Sie Daten in BigQuery analysieren und bearbeiten können. Die bigframes.pandas API ist skalierbar, um die Verarbeitung von Terabyte an BigQuery-Daten zu unterstützen. Sie verwendet die BigQuery-Abfrage-Engine für Berechnungen.
Die bigframes.pandas API bietet folgende Funktionen:

Eingabe und Ausgabe

Sie können auf Daten aus verschiedenen Quellen, einschließlich lokaler CSV-Dateien, Cloud Storage-Dateien, pandas-DataFrames, BigQuery-Modelle und BigQuery-Funktionen, zugreifen und sie in ein BigQuery DataFrames-DataFrame laden. Sie können BigQuery-Tabellen auch aus BigQuery DataFrames erstellen.

Datenmanipulation

Für Ihre Entwicklung können Sie Python anstelle von SQL verwenden. Sie können alle BigQuery-Datenmanipulationen in Python entwickeln, sodass Sie nicht zwischen Sprachen wechseln und SQL-Anweisungen als Textstrings erfassen müssen. Die bigframes.pandas API bietet über 750 pandas-Funktionen.

Python-Umgebung und Visualisierungen

Die bigframes.pandas API ist ein Gateway zum vollständigen Python-System an Tools. Die API unterstützt erweiterte statistische Vorgänge und Sie können die von BigQuery DataFrames generierten Aggregationen visualisieren. Sie können auch von einem BigQuery DataFrames-DataFrame zu einem pandas-DataFrame mit integrierten Stichprobenvorgängen wechseln.

Benutzerdefinierte Python-Funktionen

Mit BigQuery DataFrames können Sie Ihre benutzerdefinierten Skalarfunktionen in BigQuery-Remote-Funktionen umwandeln . Wenn Sie eine Remote-Funktion in BigQuery DataFrames erstellen, wird Folgendes erstellt:

  1. Eine Funktion von Cloud Functions (2nd gen)

  2. Eine BigQuery-Verbindung Standardmäßig wird eine Verbindung mit dem Namen bigframes-default-connection verwendet. Sie können eine vorkonfigurierte BigQuery-Verbindung verwenden, wenn Sie möchten. In diesem Fall wird die Verbindungserstellung übersprungen.

    Dem Dienstkonto für die Standardverbindung wird die IAM-Rolle „Cloud Run-Aufrufer“ (roles/run.invoker) zugewiesen.

  3. Eine BigQuery-Remote-Funktion, die die Cloud Functions-Funktion (1) über die BigQuery-Verbindung (2) verwendet.

Ein Beispiel finden Sie unter Remote-Funktion erstellen.

BigQuery-Verbindungen werden am selben Ort wie die BigQuery DataFrames-Sitzung erstellt, wobei der Name verwendet wird, den Sie in der Definition der benutzerdefinierten Funktion angegeben haben. So rufen Sie Verbindungen auf und verwalten sie:

  1. Rufen Sie BigQuery in der Google Cloud Console auf.

  2. Wählen Sie das Projekt aus, in dem Sie die Remote-Funktion erstellt haben.

  3. Maximieren Sie im Explorer-Bereich das Projekt und dann "Externe Verbindungen".

BigQuery-Remote-Funktionen werden in dem von Ihnen angegebenen Dataset oder in einem speziellen Typ ausgeblendeter Datasets erstellt, der im Code als anonymes Dataset bezeichnet wird. So zeigen Sie Remote-Funktionen an, die in einem vom Nutzer bereitgestellten Dataset erstellt wurden, und verwalten sie:

  1. Rufen Sie BigQuery in der Google Cloud Console auf.

  2. Wählen Sie das Projekt aus, in dem Sie die Remote-Funktion erstellt haben.

  3. Maximieren Sie im Explorer-Bereich dieses Projekt, erweitern Sie das Dataset, in dem Sie die Remote-Funktion erstellt haben, und maximieren Sie dann Routinen.

Zum Aufrufen und Verwalten von Cloud Functions-Funktionen verwenden Sie die Seite Funktionen und wählen mit der Projektauswahl das Projekt aus, in dem Sie die Funktion erstellt haben. Zur einfachen Erkennung wird den Namen der von BigQuery DataFrames erstellten Funktionen das Präfix bigframes vorangestellt.

Voraussetzungen

Wenn Sie die Remotefunktionen von BigQuery DataFrames verwenden möchten, müssen Sie die folgenden APIs aktivieren:

Wenn Sie die Remote-Funktionen von BigQuery DataFrames verwenden möchten, benötigen Sie die folgenden IAM-Rollen im Projekt:

  • BigQuery-Dateneditor (roles/bigquery.dataEditor)

  • BigQuery Connection Admin (roles/bigquery.connectionAdmin)

  • Cloud Functions Developer (roles/cloudfunctions.developer)

  • Service Account User (roles/iam.serviceAccountUser)

  • Storage-Objekt-Betrachter (roles/storage.objectViewer)

  • Projekt-IAM-Administrator (roles/resourcemanager.projectIamAdmin), wenn eine Standard-BigQuery-Verbindung verwendet wird, oder Browser (Rollen/Browser), wenn eine vorkonfigurierte Verbindung verwendet wird. Diese Anforderung kann vermieden werden, indem die Option bigframes.pandas.options.bigquery.skip_bq_connection_check auf True gesetzt wird. In diesem Fall wird die Verbindung (Standard oder vorkonfiguriert) unverändert verwendet, ohne dass geprüft wird, ob sie besteht oder eine Berechtigung vorhanden ist. Wenn Sie die vorkonfigurierte Verbindung verwenden und die Verbindungsprüfung überspringen, achten Sie darauf, dass die Verbindung am richtigen Standort erstellt wird und das zugehörige Dienstkonto die Rolle "Cloud Run-Aufrufer" (roles/run.invoker ) für das Projekt hat.

Beschränkungen

  • Es dauert ungefähr 90 Sekunden, bis Remotefunktionen verfügbar sind, wenn Sie sie erstellen.

  • Einfache Änderungen im Notebook, z. B. das Einfügen einer neuen Zelle oder das Umbenennen einer Variablen, können dazu führen, dass die Remote-Funktion neu erstellt wird, auch wenn diese Änderungen nichts mit dem Remote-Funktionscode zu tun haben.

  • BigQuery DataFrames unterscheidet nicht zwischen personenbezogenen Daten, die Sie in den Code der Remote-Funktion aufnehmen. Der Code der Remote-Funktion wird als intransparentes Feld serialisiert, um ihn als eine Cloud Functions-Funktion bereitzustellen.

  • Die Cloud Functions-Funktionen (2. Generation), BigQuery-Verbindungen und BigQuery-Remote-Funktionen, die von BigQuery DataFrames erstellt wurden, bleiben in Google Cloud erhalten. Wenn Sie diese Ressourcen nicht behalten möchten, müssen Sie sie separat mit einer entsprechenden Cloud Functions- oder BigQuery-Schnittstelle löschen.

  • Ein Projekt kann bis zu 1.000 Funktionen von Cloud Functions (2nd gen) gleichzeitig haben. Alle Limits finden Sie unter Cloud Functions-Kontingente.

Beispiele für bigframes.pandas

Die folgenden Beispiele zeigen gängige Methoden zur Verwendung von bigframes.pandas.

Daten aus einer BigQuery-Tabelle oder -Abfrage laden

Sie können einen DataFrame aus einer BigQuery-Tabelle oder -Abfrage so erstellen:

# Create a DataFrame from a BigQuery table:
import bigframes.pandas as bpd

query_or_table = "bigquery-public-data.ml_datasets.penguins"
bq_df = bpd.read_gbq(query_or_table)

Daten aus einer CSV-Datei laden

Sie können einen DataFrame aus einer lokalen oder Cloud Storage-CSV-Datei so erstellen:

import bigframes.pandas as bpd

filepath_or_buffer = "gs://cloud-samples-data/bigquery/us-states/us-states.csv"
df_from_gcs = bpd.read_csv(filepath_or_buffer)
# Display the first few rows of the DataFrame:
df_from_gcs.head()

Daten prüfen und bearbeiten

Sie können bigframes.pandas für Datenprüfungs- und Berechnungsvorgänge verwenden.
Das folgende Codebeispiel zeigt, wie Sie mit bigframes.pandas die Spalte body_mass_g prüfen, den Mittelwert body_mass berechnen und den Mittelwert body_mass nach species berechnen:

import bigframes.pandas as bpd

# Load data from BigQuery
query_or_table = "bigquery-public-data.ml_datasets.penguins"
bq_df = bpd.read_gbq(query_or_table)

# Inspect one of the columns (or series) of the DataFrame:
bq_df["body_mass_g"]

# Compute the mean of this series:
average_body_mass = bq_df["body_mass_g"].mean()
print(f"average_body_mass: {average_body_mass}")

# Find the heaviest species using the groupby operation to calculate the
# mean body_mass_g:
(
    bq_df["body_mass_g"]
    .groupby(by=bq_df["species"])
    .mean()
    .sort_values(ascending=False)
    .head(10)
)

Bibliothek bigframes.ml verwenden

Mit den ML-Funktionen in BigQuery DataFrames können Sie Daten vorverarbeiten und dann Modelle für diese Daten trainieren. Sie können diese Aktionen auch verketten, um Datenpipelines zu erstellen.

ML-Speicherorte

bigframes.ml unterstützt dieselben Standorte wie BigQuery ML. BigQuery ML-Modellvorhersagen und andere ML-Funktionen werden in allen BigQuery-Regionen unterstützt. Die Unterstützung für das Modelltraining variiert je nach Region. Weitere Informationen finden Sie unter BigQuery ML-Standorte.

Daten vorverarbeiten

Erstellen Sie Transformer, um Daten für die Verwendung in Estimators (Modellen) mithilfe derModul bigframes.ml.preprocessing und dieModul bigframes.ml.compose vorzubereiten. BigQuery DataFrames bietet die folgenden Transformationen:

  • Verwenden Sie die KBinsDiscretizer-Klasse im Modul bigframes.ml.preprocessing, um kontinuierliche Daten in Intervalle zu binden.

  • Verwenden Sie die LabelEncoder-Klasse im Modul bigframes.ml.preprocessing, um die Ziellabels als Ganzzahlwerte zu normalisieren.

  • Verwenden Sie die Klasse „MaxAbsScaler“ im Modul bigframes.ml.preprocessing, um jedes Feature auf den Bereich [-1, 1] um seinen maximalen absoluten Wert zu skalieren.

  • Verwenden Sie die MinMaxScaler-Klasse im Modul bigframes.ml.preprocessing, um Features zu standardisieren, indem Sie jedes Feature auf den Bereich [0, 1] skalieren.

  • Verwenden Sie die Klasse "StandardScaler" im Modul bigframes.ml.preprocessing, um Features durch Entfernen des Mittelwerts und der Skalierung auf die Einheitvarianz zu standardisieren.

  • Verwenden Sie die OneHotEncoder-Klasse im Modul bigframes.ml.preprocessing, um kategoriale Werte in ein numerisches Format umzuwandeln.

  • Verwenden Sie die ColumnTransformer-Klasse im Modul bigframes.ml.compose, um Transformer auf DataFrames-Spalten anzuwenden.

Modelle trainieren

Estimators zum Trainieren von Modellen in BigQuery DataFrames erstellen

Clustering-Modelle

Erstellen Sie Estimators für Clustering-Modelle mit dem bigframes.ml.cluster-Modul.

  • Verwenden Sie die KMeans-Klasse, um K-Means-Clustering-Modelle zu erstellen. Verwenden Sie diese Modelle für die Datensegmentierung. z. B. Kundensegmente identifizieren. Da K-Means ein unüberwachtes Lernverfahren ist, sind für das Modelltraining weder Labels noch Datenaufteilungen für die Trainings- oder Evaluierungsphase erforderlich.

Mit dem Modul bigframes.ml.cluster können Sie Estimators für Clustering-Modelle erstellen.

Das folgende Codebeispiel zeigt die Verwendung der Klasse bigframes.ml.cluster KMeans zum Erstellen eines K-Means-Clustering-Modells für die Datensegmentierung:

from bigframes.ml.cluster import KMeans
import bigframes.pandas as bpd

# Load data from BigQuery
query_or_table = "bigquery-public-data.ml_datasets.penguins"
bq_df = bpd.read_gbq(query_or_table)

# Create the KMeans model
cluster_model = KMeans(n_clusters=10)
cluster_model.fit(bq_df["culmen_length_mm"], bq_df["sex"])

# Predict using the model
result = cluster_model.predict(bq_df)
# Score the model
score = cluster_model.score(bq_df)

Zerlegungsmodelle

Erstellen Sie Estimators für Zerlegungsmodelle mithilfe des bigframes.ml.decomposition-Moduls.

  • Verwenden Sie die PCA-Klasse, um PCA-Modelle (Principal Component Analysis) zu erstellen. Verwenden Sie diese Modelle zur Berechnung von Hauptkomponenten und zur Änderung der Grundlagen der Daten. Dies ermöglicht eine Dimensionsreduzierung, da jeder Datenpunkt auf die ersten Hauptkomponenten projiziert wird, um niedrigdimensionale Daten zu erhalten und gleichzeitig einen möglichst großen Teil der Datenabweichung beizubehalten.

Ensemble-Modelle

Erstellen Sie Estimators für Ensemble-Modelle mit dem bigframes.ml.ensemble-Modul.

  • Verwenden Sie die RandomForestClassifier-Klasse, um Random Forest-Klassifikatormodelle zu erstellen. Verwenden Sie diese Modelle, um mehrere Entscheidungsmethoden für Lernmethoden für die Klassifizierung zu erstellen.

  • Verwenden Sie die RandomForestRegressor-Klasse zum Erstellen von Random Forest-Regressormodellen. Verwenden Sie diese Modelle, um mehrere Entscheidungsmethoden für Lernmethoden für die Regression zu erstellen.

  • Verwenden Sie die XGBClassifier-Klasse, um Gradienten-Boosted Tree-Klassifikationsmodelle zu erstellen. Verwenden Sie diese Modelle, um mehrere Entscheidungsmethoden für Lernmethoden für die Klassifizierung additiv zu erstellen.

  • Verwenden Sie die XGBRegressor-Klasse, um Gradienten-Boosted Tree-Regressionsmodelle zu erstellen. Verwenden Sie diese Modelle, um mehrere Entscheidungsmethoden für Lernmethoden für die Regression additiv zu erstellen.

Prognosemodelle

Erstellen Sie Estimators für Prognosemodelle mithilfe des bigframes.ml.forecasting-Moduls.

  • Verwenden Sie die ARIMAPlus-Klasse, um Zeitachsen-Prognosemodelle zu erstellen.

Importierte Modelle

Erstellen Sie Estimators für importierte Modelle mithilfe des bigframes.ml.imported-Moduls.

Lineare Modelle

Erstellen Sie Estimators für lineare Modelle mithilfe des Moduls "bigframes.ml.linear_model".

  • Verwenden Sie die Klasse LinearRegression, um lineare Regressionsmodelle zu erstellen. Verwenden Sie diese Modelle für Prognosen. Beispielsweise können Sie die Verkäufe eines Artikels an einem bestimmten Tag prognostizieren.

  • Verwenden Sie die Klasse "LogisticRegression", um logistische Regressionsmodelle zu erstellen. Verwenden Sie diese Modelle für die Klassifizierung von zwei oder mehr möglichen Werten, z. B. ob eine Eingabe low-value, medium-value oder high-value ist.

Das folgende Codebeispiel zeigt bigframes.ml, um Folgendes zu tun:

from bigframes.ml.linear_model import LinearRegression
import bigframes.pandas as bpd

# Load data from BigQuery
query_or_table = "bigquery-public-data.ml_datasets.penguins"
bq_df = bpd.read_gbq(query_or_table)

# Filter down to the data to the Adelie Penguin species
adelie_data = bq_df[bq_df.species == "Adelie Penguin (Pygoscelis adeliae)"]

# Drop the species column
adelie_data = adelie_data.drop(columns=["species"])

# Drop rows with nulls to get training data
training_data = adelie_data.dropna()

# Specify your feature (or input) columns and the label (or output) column:
feature_columns = training_data[
    ["island", "culmen_length_mm", "culmen_depth_mm", "flipper_length_mm", "sex"]
]
label_columns = training_data[["body_mass_g"]]

test_data = adelie_data[adelie_data.body_mass_g.isnull()]

# Create the linear model
model = LinearRegression()
model.fit(feature_columns, label_columns)

# Score the model
score = model.score(feature_columns, label_columns)

# Predict using the model
result = model.predict(test_data)

Large Language Models

Erstellen Sie Estimators für LLMs mit dem bigframes.ml.llm-Modul.

  • Verwenden Sie die GeminiTextGenerator-Klasse, um Gemini-Textgeneratormodelle zu erstellen. Verwenden Sie diese Modelle für Aufgaben zur Textgenerierung.

  • Verwenden Sie die PaLM2TextGenerator-Klasse, um PaLM2-Textgeneratormodelle zu erstellen. Verwenden Sie diese Modelle für Aufgaben zur Textgenerierung.

  • Verwenden Sie die PaLM2TextEmbeddingGenerator-Klasse, um PaLM2-Texteinbettungsgeneratormodelle zu erstellen. Verwenden Sie diese Modelle für Aufgaben zur Generierung von Texteinbettungen.

Mit dem Modul bigframes.ml.llm können Sie Estimators für Remote-Großsprachmodelle (LLMs) erstellen.
Das folgende Codebeispiel zeigt die Verwendung der Klasse bigframes.ml.llm GeminiTextGenerator zum Erstellen eines Gemini-Modells für die Codegenerierung:

from bigframes.ml.llm import GeminiTextGenerator
import bigframes.pandas as bpd

# Create the Gemini LLM model
session = bpd.get_global_session()
connection = f"{PROJECT_ID}.{REGION}.{CONN_NAME}"
model = GeminiTextGenerator(session=session, connection_name=connection)

df_api = bpd.read_csv("gs://cloud-samples-data/vertex-ai/bigframe/df.csv")

# Prepare the prompts and send them to the LLM model for prediction
df_prompt_prefix = "Generate Pandas sample code for DataFrame."
df_prompt = df_prompt_prefix + df_api["API"]

# Predict using the model
df_pred = model.predict(df_prompt.to_frame(), max_output_tokens=1024)

Remotemodelle

Um die Remote-Modelle von BigQuery DataFrames ML (bigframes.ml.remote oder bigframes.ml.llm) zu verwenden, müssen Sie die folgenden APIs aktivieren:

Ihnen benötigen außerdem die folgenden IAM-Rollen im Projekt:

  • BigQuery Connection Admin (roles/bigquery.connectionAdmin)
  • Projekt-IAM-Administrator (roles/resourcemanager.projectIamAdmin), wenn eine Standard-BigQuery-Verbindung verwendet wird, oder Browser (Rollen/Browser), wenn eine vorkonfigurierte Verbindung verwendet wird. Diese Anforderung kann vermieden werden, indem die Option bigframes.pandas.options.bigquery.skip_bq_connection_check auf True gesetzt wird. In diesem Fall wird die Verbindung (Standard oder vorkonfiguriert) unverändert verwendet, ohne dass geprüft wird, ob sie besteht oder eine Berechtigung vorhanden ist. Wenn Sie die vorkonfigurierte Verbindung verwenden und die Verbindungsprüfung überspringen, achten Sie darauf, dass die Verbindung am richtigen Standort erstellt wird und das Dienstkonto die Rolle "Vertex AI-Nutzer" roles/aiplatform.user für das Projekt hat.

Beim Erstellen eines Remote-Modells in BigQuery DataFrames wird eine BigQuery-Verbindung hergestellt. Standardmäßig wird eine Verbindung mit dem Namen bigframes-default-connection verwendet. Sie können eine vorkonfigurierte BigQuery-Verbindung verwenden, wenn Sie möchten. In diesem Fall wird die Verbindungserstellung übersprungen. Dem Dienstkonto für die Standardverbindung wird die IAM-Rolle „Vertex AI-Nutzer“ (roles/aiplatform.user) zugewiesen.

Pipelines erstellen

Erstellen Sie ML-Pipelines mit dem Modul „bigframes.ml.pipeline”. Mit Pipelines können Sie mehrere ML-Schritte zusammenstellen, die gleichzeitig validiert werden, und dabei verschiedene Parameter festlegen. Dies vereinfacht den Code und ermöglicht es Ihnen, Schritte zur Datenvorverarbeitung und einen Estimator zusammen bereitzustellen.

Verwenden Sie die Pipeline-Klasse, um eine Pipeline aus Transformationen mit einem endgültigen Estimator zu erstellen.

Nächste Schritte