GSP848

개요

정보 액세스는 여러 형식을 사용하며 BigQuery를 사용하면 여러 데이터 소스로 간단하게 작업할 수 있습니다. 이 실습에서는 외부 스포츠 데이터 소스를 BigQuery 테이블로 가져와 스포츠 데이터 과학을 시작합니다. 이를 통해 후속 실습에서 더 정교한 분석을 빌드하기 위한 기반을 마련할 수 있습니다.

이 실습에서 사용되는 데이터는 다음 소스에서 가져온 것입니다.

• Pappalardo et al., (2019) A public data set of spatio-temporal match events in soccer competitions(축구 경기에서의 시공간적 경기 이벤트 공개 데이터 세트), Nature Scientific Data 6:236, https://www.nature.com/articles/s41597-019-0247-7
• Pappalardo et al.(2019) PlayerRank: Data-driven Performance Evaluation and Player Ranking in Soccer via a Machine Learning Approach(PlayerRank: 머신러닝 접근방식을 통한 축구에서의 데이터 기반 성과 평가 및 선수 순위 책정). ACM Transactions on Intelligent Systems and Technologies(TIST) 10, 5, Article 59(2019년 9월), 27페이지. DOI: https://doi.org/10.1145/3343172

학습할 내용

이 실습에서는 다음과 같은 내용을 알아봅니다.

• Cloud 콘솔을 사용하여 Google Cloud Storage의 파일을 BigQuery 테이블에 업로드합니다.
• Cloud 콘솔을 사용하여 BigQuery 테이블에서 파생된 정보에 액세스합니다.
• 업로드된 테이블에 쿼리를 작성하는 방법을 이해합니다.

설정 및 요건

실습 시작 버튼을 클릭하기 전에

다음 안내를 확인하세요. 실습에는 시간 제한이 있으며 일시중지할 수 없습니다. 실습 시작을 클릭하면 타이머가 시작됩니다. 이 타이머는 Google Cloud 리소스를 사용할 수 있는 시간이 얼마나 남았는지를 표시합니다.

실무형 실습을 통해 시뮬레이션이나 데모 환경이 아닌 실제 클라우드 환경에서 실습 활동을 진행할 수 있습니다. 실습 시간 동안 Google Cloud에 로그인하고 액세스하는 데 사용할 수 있는 새로운 임시 사용자 인증 정보가 제공됩니다.

이 실습을 완료하려면 다음을 준비해야 합니다.

• 표준 인터넷 브라우저 액세스 권한(Chrome 브라우저 권장)

참고: 이 실습을 실행하려면 시크릿 모드(권장) 또는 시크릿 브라우저 창을 사용하세요. 개인 계정과 학습자 계정 간의 충돌로 개인 계정에 추가 요금이 발생하는 일을 방지해 줍니다.

• 실습을 완료하기에 충분한 시간(실습을 시작하고 나면 일시중지할 수 없음)

참고: 이 실습에는 학습자 계정만 사용하세요. 다른 Google Cloud 계정을 사용하는 경우 해당 계정에 비용이 청구될 수 있습니다.

실습을 시작하고 Google Cloud 콘솔에 로그인하는 방법

1. 실습 시작 버튼을 클릭합니다. 실습 비용을 결제해야 하는 경우 결제 수단을 선택할 수 있는 대화상자가 열립니다. 왼쪽에는 다음과 같은 항목이 포함된 실습 세부정보 창이 있습니다.

   • Google Cloud 콘솔 열기 버튼
   • 남은 시간
   • 이 실습에 사용해야 하는 임시 사용자 인증 정보
   • 필요한 경우 실습 진행을 위한 기타 정보

2. Google Cloud 콘솔 열기를 클릭합니다(Chrome 브라우저를 실행 중인 경우 마우스 오른쪽 버튼으로 클릭하고 시크릿 창에서 링크 열기를 선택합니다).

   실습에서 리소스가 가동되면 다른 탭이 열리고 로그인 페이지가 표시됩니다.

   팁: 두 개의 탭을 각각 별도의 창으로 나란히 정렬하세요.

   참고: 계정 선택 대화상자가 표시되면 다른 계정 사용을 클릭합니다.

3. 필요한 경우 아래의 사용자 이름을 복사하여 로그인 대화상자에 붙여넣습니다.

   {{{user_0.username | "Username"}}}

   실습 세부정보 창에서도 사용자 이름을 확인할 수 있습니다.

4. 다음을 클릭합니다.

5. 아래의 비밀번호를 복사하여 시작하기 대화상자에 붙여넣습니다.

   {{{user_0.password | "Password"}}}

   실습 세부정보 창에서도 비밀번호를 확인할 수 있습니다.

6. 다음을 클릭합니다.

   중요: 실습에서 제공하는 사용자 인증 정보를 사용해야 합니다. Google Cloud 계정 사용자 인증 정보를 사용하지 마세요. 참고: 이 실습에 자신의 Google Cloud 계정을 사용하면 추가 요금이 발생할 수 있습니다.

7. 이후에 표시되는 페이지를 클릭하여 넘깁니다.

   • 이용약관에 동의합니다.
   • 임시 계정이므로 복구 옵션이나 2단계 인증을 추가하지 않습니다.
   • 무료 체험판을 신청하지 않습니다.

잠시 후 Google Cloud 콘솔이 이 탭에서 열립니다.

참고: Google Cloud 제품 및 서비스에 액세스하려면 탐색 메뉴를 클릭하거나 검색창에 제품 또는 서비스 이름을 입력합니다.

BigQuery 콘솔 열기

1. Google Cloud 콘솔에서 탐색 메뉴 > BigQuery를 선택합니다.

Cloud 콘솔의 BigQuery에 오신 것을 환영합니다라는 메시지 상자가 열립니다. 이 메시지 상자에서는 빠른 시작 가이드 및 출시 노트로 연결되는 링크가 제공됩니다.

2. 완료를 클릭합니다.

BigQuery 콘솔이 열립니다.

BigQuery 콘솔은 BigQuery에서 제공하는 공개 데이터 세트를 포함해 테이블을 쿼리할 수 있는 인터페이스를 제공하며, 데이터 세트에 정보를 간편하게 추가하는 방법을 제공합니다. BigQuery는 테이블을 사용하여 데이터를 구조화된 방식으로 표현합니다. 다음 섹션에서는 BigQuery와 커스텀 테이블을 만드는 방법을 자세히 알아봅니다.

작업 1. 커스텀 테이블 만들기

이 섹션에서는 데이터 세트를 만듭니다. 데이터 세트는 프로젝트에 데이터를 추가하는 데 사용되고, 테이블과 뷰를 활용하여 프로젝트 내 데이터에 대한 액세스를 제어합니다.

1. BigQuery 콘솔에서 탐색기 섹션을 살펴봅니다.
2. 프로젝트 ID 옆에 있는 작업 보기 아이콘을 클릭하고 데이터 세트 만들기를 선택합니다.

참고: 데이터 세트는 특정 프로젝트에 포함되어 있습니다. 데이터 세트는 테이블과 뷰에 대한 액세스를 구성하고 제어하는 데 사용하는 최상위 컨테이너입니다. 테이블이나 뷰는 반드시 데이터 세트에 속해야 하므로, 데이터를 BigQuery로 로드하기 전에 데이터 세트를 최소 하나는 만들어야 합니다. 참조: BigQuery 데이터 세트 소개

3. 데이터 세트 만들기 페이지에서 다음을 입력합니다.

필드	값
데이터 세트 ID	soccer
데이터 위치	us(미국 내 여러 리전)
고급 옵션 > 기본 테이블 만료	기본값

4. BigQuery 데이터 세트 만들기 화면에 아래와 비슷한 정보가 표시됩니다.

참고: 현재 공개 데이터 세트는 미국 멀티 리전 데이터 위치에 저장됩니다. 편의상 같은 위치에 데이터 세트를 배치합니다.

5. 패널 하단에서 데이터 세트 만들기를 클릭합니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다.

새 데이터 세트가 만들어졌는지 확인

이 섹션에서는 BigQuery를 사용하여 새 데이터 세트를 만들었습니다. 이 과정에서 BigQuery는 생성할 정보를 저장할 위치를 알아야 합니다. 필요한 경우 고객 관리 암호화가 포함된 옵션도 제공합니다.

다음 섹션에서는 생성된 데이터 세트를 일반적인 데이터 형식인 JSON(JavaScript Object Notation)을 사용하여 채우는 방법을 알아봅니다.

작업 2. JSON 데이터 로드

이제 이전에 축구 데이터로 만든 테이블을 데이터 세트에 로드합니다.
BigQuery는 다양한 가져오기 형식을 지원합니다. 이 실습에서는 이전 섹션에서 만든 데이터 세트에 JSON을 사용합니다.

1. 탐색기 섹션에서 soccer 데이터 세트 옆에 있는 작업 보기 아이콘을 클릭하여 테이블을 만듭니다.

2. 테이블 만들기를 선택합니다.

다음 섹션에서는 달리 명시되지 않는 한 모든 설정에 기본값을 사용합니다. 데이터는 공개 Google Cloud Storage 버킷에 저장됩니다.

3. 테이블 만들기 페이지에서 다음 정보를 추가합니다.

필드	값
테이블을 만들 소스	Google Cloud Storage
버킷에서 파일 선택	spls/bq-soccer-analytics/competitions.json
파일 형식	JSONL(줄바꿈으로 구분된 JSON)
테이블 이름	competitions
스키마	스키마 자동 감지 체크박스를 선택합니다.

참고: BigQuery와 함께 Cloud Storage 버킷을 사용하는 경우 gs:// 접두사를 적용할 필요가 없습니다.

4. BigQuery 테이블 만들기 화면에 아래와 비슷한 정보가 표시됩니다.

5. 테이블 만들기를 클릭합니다.
6. BigQuery가 테이블을 만들고 데이터를 로드할 때까지 기다립니다.
7. 'competitions' 생성됨이라는 팝업 알림 메시지가 표시됩니다.
8. 테이블은 데이터가 로드된 후에 표시됩니다.
9. 다른 JSON 데이터를 수집하려면 위의 단계를 반복합니다.

Cloud Storage 버킷 파일	테이블 이름
spls/bq-soccer-analytics/matches.json	matches
spls/bq-soccer-analytics/teams.json	teams
spls/bq-soccer-analytics/players.json	players
spls/bq-soccer-analytics/events.json	events

참고: 표시된 Cloud Storage 버킷 파일과 테이블 이름을 정확히 사용하세요.

10. 테이블이 생성되면 아래와 비슷한 화면이 표시됩니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. competitions 테이블이 생성되었는지 확인

이 섹션에서는 BigQuery를 사용하여 새 테이블을 만들었습니다. 이 과정에서 BigQuery는 Cloud Storage를 JSON 파일의 소스로 사용했습니다. Cloud Storage는 객체 파일을 위한 적절한 중간 스토리지 옵션을 제공합니다.

다음 섹션에서는 생성된 데이터 세트를 또 다른 일반적인 데이터 형식인 쉼표로 구분된 값(CSV) 파일을 사용하여 채우는 방법을 알아봅니다.

작업 3. CSV 데이터 로드

이 섹션에서는 또 다른 축구 데이터 테이블을 데이터 세트에 로드합니다. 이번에는 Cloud Storage에 저장된 쉼표로 구분된 값(CSV) 파일에서 로드 프로세스가 제공됩니다.

1. 탐색기 섹션에서 soccer 데이터 세트 옆에 있는 작업 보기 아이콘을 클릭한 다음 테이블 만들기를 선택하여 테이블을 만듭니다.

달리 명시되지 않는 한 모든 설정에 기본값을 사용합니다.

2. 테이블 만들기 페이지에서 다음 정보를 추가합니다.

필드	값
테이블을 만들 소스	Google Cloud Storage
버킷에서 파일 선택	spls/bq-soccer-analytics/tags2name.csv
파일 형식	CSV
테이블 이름	tags2name
스키마	자동 감지 체크박스를 선택합니다.

3. BigQuery 테이블 만들기 화면에 아래와 비슷한 정보가 표시됩니다.

4. 창 하단에서 테이블 만들기를 클릭합니다.
5. BigQuery가 테이블을 만들고 데이터를 로드할 때까지 기다립니다.

'tags2name'이 생성되었다는 팝업 메시지가 표시됩니다.

6. 테이블은 데이터가 로드된 후에 표시됩니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다.

tags2name 테이블이 생성되었는지 확인

이 섹션에서는 BigQuery를 사용하여 새 테이블을 만들었습니다. 이 과정에서 BigQuery는 Cloud Storage를 CSV 파일의 소스로 사용했습니다. Cloud Storage는 객체 파일을 위한 적절한 중간 스토리지 옵션을 제공합니다.

작업 4. 테이블 미리보기

1. 왼쪽 창의 탐색 패널에서 soccer > competitions를 선택합니다.
2. 세부정보 패널에서 미리보기 탭을 클릭합니다.

3. 탐색 패널에서 업로드된 다른 테이블을 클릭합니다.
4. 스키마, 세부정보, 미리보기, 계보, 데이터 프로필, 데이터 품질 탭을 확인하여 각 테이블의 데이터를 자세히 알아봅니다.

BigQuery는 이전에 다양한 형식으로 저장되어 있던 데이터를 간편하게 저장하는 방법을 제공합니다. BigQuery의 데이터 수집 기법에 관한 자세한 내용은 데이터 수집 방법 선택을 참고하세요.

다음 몇 개의 섹션에서는 BigQuery에서 생성된 데이터 세트를 쿼리하는 방법을 알아봅니다.

작업 5. 선수 데이터 쿼리

테이블에 데이터를 로드했으므로 테이블을 대상으로 쿼리를 실행할 수 있습니다. 이제 players 테이블에서 키가 가장 큰 상위 10명의 수비수(키 정보가 있는 선수)를 검색하는 쿼리를 만듭니다.

1. 쿼리 편집기에서 '+'(SQL 쿼리) 아이콘을 클릭합니다.
2. 다음 쿼리를 복사하여 쿼리 편집기에 붙여넣습니다.

SELECT (firstName || ' ' || lastName) AS player, birthArea.name AS birthArea, height FROM `soccer.players` WHERE role.name = 'Defender' ORDER BY height DESC LIMIT 5 참고: 위의 쿼리에서는 BigQuery를 사용하여 축구 선수와 관련된 정보를 검색합니다. 특정 선수 역할에 대해 구체적으로 쿼리하여 수비수의 일반적인 특성을 파악합니다.

3. 실행을 클릭합니다. 쿼리 창 아래에 결과가 표시됩니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다.

쿼리가 실행되었는지 확인

BigQuery에서 쿼리를 실행하는 방법을 이해하는 것이 매우 중요합니다. BigQuery에서 쿼리를 실행하면 강력한 데이터 인사이트를 추출할 수 있는 간단한 인터페이스가 제공됩니다.

작업 6. 이벤트 데이터 쿼리

events 테이블에서 발견된 모든 이벤트 유형의 개수를 검색하는 쿼리를 만듭니다.

1. 다음 쿼리를 복사하여 쿼리 편집기에 붙여넣습니다.

SELECT eventId, eventName, COUNT(id) AS numEvents FROM `soccer.events` GROUP BY eventId, eventName ORDER BY numEvents DESC

2. 실행을 클릭합니다. 쿼리 창 아래에 결과가 표시됩니다.

참고: 위의 쿼리에서는 BigQuery를 사용하여 축구 경기 내에서 발생하는 이벤트와 관련된 정보를 검색합니다. 패스, 슛과 같은 이벤트의 빈도를 구체적으로 쿼리합니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다.

쿼리가 실행되었는지 확인

저장된 데이터를 활용하여 트렌드와 패턴을 파악할 수 있다면 최종 사용자에게 실질적인 이점을 제공할 수 있는 기회가 됩니다. 다음 섹션에서는 BigQuery 소개에서 배운 내용을 이해했는지 확인해 보겠습니다.

작업 7. 깜짝 퀴즈

이 실습에서 다룬 주제에 관한 짧은 퀴즈를 풀면서 BigQuery에 대한 이해도를 테스트해 보세요.

수고하셨습니다

Cloud Storage에 저장된 파일을 BigQuery의 테이블에 성공적으로 업로드하고 테이블에서 데이터를 추출하기 위한 쿼리를 작성하는 방법을 알아봤습니다.

Google Cloud 교육 및 자격증

Google Cloud 기술을 최대한 활용하는 데 도움이 됩니다. Google 강의에는 빠른 습득과 지속적인 학습을 지원하는 기술적인 지식과 권장사항이 포함되어 있습니다. 기초에서 고급까지 수준별 학습을 제공하며 바쁜 일정에 알맞은 주문형, 실시간, 가상 옵션이 포함되어 있습니다. 인증은 Google Cloud 기술에 대한 역량과 전문성을 검증하고 입증하는 데 도움이 됩니다.

설명서 최종 업데이트: 2025년 11월 24일

실습 최종 테스트: 2025년 7월 29일

Copyright 2026 Google LLC. All rights reserved. Google 및 Google 로고는 Google LLC의 상표입니다. 기타 모든 회사명 및 제품명은 해당 업체의 상표일 수 있습니다.