Chargement...
Aucun résultat.

Mettez en pratique vos compétences dans la console Google Cloud

Instructions et exigences de configuration de l'atelier
Protégez votre compte et votre progression. Utilisez toujours une fenêtre de navigation privée et les identifiants de l'atelier pour exécuter cet atelier.

BigQuery dans JupyterLab sur Vertex AI 2.5

Atelier 1 heure universal_currency_alt 5 crédits show_chart Débutant
info Cet atelier peut intégrer des outils d'IA pour vous accompagner dans votre apprentissage.
Ce contenu n'est pas encore optimisé pour les appareils mobiles.
Pour une expérience optimale, veuillez accéder à notre site sur un ordinateur de bureau en utilisant un lien envoyé par e-mail.

Présentation

L'objectif de cet atelier est de montrer comment instancier un notebook Jupyter exécuté sur le service Vertex AI de Google Cloud Platform. Pour faciliter la démonstration, nous utiliserons un ensemble de données contenant différentes heures de départ et d'arrivée d'un vol.

Objectifs

Dans cet atelier, vous allez apprendre à réaliser les opérations suivantes :

  • Instancier un notebook Jupyter sur Vertex AI
  • Exécuter une requête BigQuery à partir d'un notebook Jupyter et traiter les résultats à l'aide de Pandas

Configurer votre environnement

Pour chaque atelier, nous vous attribuons un nouveau projet Google Cloud et un nouvel ensemble de ressources pour une durée déterminée, sans frais.

  1. Connectez-vous à Qwiklabs dans une fenêtre de navigation privée.

  2. Vérifiez le temps imparti pour l'atelier (par exemple : 01:15:00) : vous devez pouvoir le terminer dans ce délai.
    Une fois l'atelier lancé, vous ne pouvez pas le mettre en pause. Si nécessaire, vous pourrez le redémarrer, mais vous devrez tout reprendre depuis le début.

  3. Lorsque vous êtes prêt, cliquez sur Démarrer l'atelier.

  4. Notez vos identifiants pour l'atelier (Nom d'utilisateur et Mot de passe). Ils vous serviront à vous connecter à Google Cloud Console.

  5. Cliquez sur Ouvrir la console Google.

  6. Cliquez sur Utiliser un autre compte, puis copiez-collez les identifiants de cet atelier lorsque vous y êtes invité.
    Si vous utilisez d'autres identifiants, des messages d'erreur s'afficheront ou des frais seront appliqués.

  7. Acceptez les conditions d'utilisation et ignorez la page concernant les ressources de récupération des données.

Ouvrir la console BigQuery

  1. Dans la console Google Cloud, sélectionnez le menu de navigation > BigQuery.

Le message Bienvenue sur BigQuery dans la console Cloud s'affiche. Il contient un lien vers le guide de démarrage rapide et liste les mises à jour de l'interface utilisateur.

  1. Cliquez sur Done (OK).

Tâche 1 : Lancer une instance Vertex AI Workbench

  1. Dans le menu de navigation (Menu de navigation) de la console Google Cloud, sélectionnez Vertex AI > Tableau de bord.

  2. Cliquez sur Activer toutes les API recommandées.

  3. Dans le menu de navigation, cliquez sur Workbench.

    En haut de la page "Workbench", vérifiez que vous vous trouvez dans la vue Instances.

  4. Cliquez sur boîte de dialogue d'ajoutCréer.

  5. Configurez l'instance :

    • Nom : lab-workbench
    • Région : définissez la région sur
    • Zone : définissez la zone sur
    • Options avancées (facultatif) : si nécessaire, cliquez sur "Options avancées" pour une personnalisation plus avancée (par exemple, type de machine, taille du disque).

Créer une instance Vertex AI Workbench

  1. Cliquez sur Créer.

La création de l'instance prend quelques minutes. Une coche verte apparaît à côté de son nom quand elle est prête.

  1. Cliquez sur Ouvrir JupyterLab à côté du nom de l'instance pour lancer l'interface JupyterLab. Un nouvel onglet s'ouvre alors dans votre navigateur.

Instance Workbench déployée

  1. Cliquez sur l'icône Python 3 pour lancer un nouveau notebook Python.

Ouvrir le notebook Jupyter

  1. Effectuez un clic droit sur le fichier Untitled.ipynb dans la barre de menu et sélectionnez Renommer le notebook pour lui attribuer un nom significatif.

Renommer le notebook

Votre environnement est configuré. Vous êtes maintenant prêt à utiliser votre notebook Vertex AI Workbench.

Notebook Vertex prêt à l'emploi

Cliquez sur Vérifier ma progression pour valider l'objectif. Lancer une instance Vertex AI Workbench

Tâche 2 : Exécuter une requête BigQuery

  1. Saisissez la requête suivante dans la première cellule du notebook :
%%bigquery df --use_rest_api SELECT depdelay as departure_delay, COUNT(1) AS num_flights, APPROX_QUANTILES(arrdelay, 10) AS arrival_delay_deciles FROM `cloud-training-demos.airline_ontime_data.flights` WHERE depdelay is not null GROUP BY depdelay HAVING num_flights > 100 ORDER BY depdelay ASC

La commande utilise la fonction magique %%bigquery. Les fonctions magiques dans les notebooks fournissent un alias pour une commande du système. Dans ce cas, %%bigquery exécute la requête dans la cellule dans BigQuery et enregistre le résultat dans un objet DataFrame Pandas appelé df.

  1. Pour exécuter la cellule, appuyez sur Maj+Entrée quand le curseur se trouve dedans. Vous pouvez également accéder à l'onglet Exécuter et cliquer sur Exécuter les cellules sélectionnées. Notez le raccourci clavier pour cette action si ce n'est pas Maj + Entrée. L'exécution de la commande ne devrait renvoyer aucun résultat.

Cliquez sur Vérifier ma progression pour valider l'objectif. Exécuter une requête BigQuery

  1. Affichez les cinq premières lignes du résultat de la requête en exécutant le code suivant dans une nouvelle cellule :
df.head()

Table de résultat de la requête df.head affichant quatre lignes de données sous les en-têtes de colonnes : departure_delay, num_flights et arrival_delay_deciles

Créer un graphique avec Pandas

Nous allons utiliser le DataFrame Pandas qui contient le résultat de notre requête pour créer un graphique qui représente le lien entre les retards à l'arrivée et les retards au départ. Avant de poursuivre, si vous ne maîtrisez pas Pandas, nous vous conseillons de lire le Guide de démarrage. Cela ne vous prendra que 10 minutes.

  1. Pour obtenir un DataFrame contenant les données dont nous avons besoin, nous devons d'abord manipuler le résultat brut de la requête. Saisissez le code suivant dans une nouvelle cellule pour convertir la liste arrival_delay_deciles dans un objet Pandas Series. Le code renomme également les colonnes générées.
import pandas as pd percentiles = df['arrival_delay_deciles'].apply(pd.Series) percentiles.rename(columns = lambda x : '{0}%'.format(x*10), inplace=True) percentiles.head()
  1. Pour faire le rapprochement entre les retards au départ et les retards à l'arrivée, nous devons concaténer notre table percentiles au champ departure_delay dans notre DataFrame d'origine. Exécutez le code suivant dans une nouvelle cellule :
df = pd.concat([df['departure_delay'], percentiles], axis=1) df.head()
  1. Avant de créer un graphique à partir du contenu de notre DataFrame, nous devons retirer les valeurs extrêmes enregistrées dans les champs 0% et 100%. Exécutez le code suivant dans une nouvelle cellule :
df.drop(labels=['0%', '100%'], axis=1, inplace=True) df.plot(x='departure_delay', xlim=(-30,50), ylim=(-50,50));

Résultat de la requête departure_delay sous forme de graphique linéaire

Terminer l'atelier

Une fois l'atelier terminé, cliquez sur Terminer l'atelier. Google Cloud Skills Boost supprime les ressources que vous avez utilisées, puis efface le compte.

Si vous le souhaitez, vous pouvez noter l'atelier. Sélectionnez un nombre d'étoiles, saisissez un commentaire, puis cliquez sur Envoyer.

Le nombre d'étoiles correspond à votre degré de satisfaction :

  • 1 étoile = très insatisfait(e)
  • 2 étoiles = insatisfait(e)
  • 3 étoiles = ni insatisfait(e), ni satisfait(e)
  • 4 étoiles = satisfait(e)
  • 5 étoiles = très satisfait(e)

Si vous ne souhaitez pas donner votre avis, vous pouvez fermer la boîte de dialogue.

Pour soumettre des commentaires, suggestions ou corrections, veuillez accéder à l'onglet Assistance.

Copyright 2026 Google LLC Tous droits réservés. Google et le logo Google sont des marques de Google LLC. Tous les autres noms de société et de produit peuvent être des marques des sociétés auxquelles ils sont associés.

Avant de commencer

  1. Les ateliers créent un projet Google Cloud et des ressources pour une durée déterminée.
  2. Les ateliers doivent être effectués dans le délai imparti et ne peuvent pas être mis en pause. Si vous quittez l'atelier, vous devrez le recommencer depuis le début.
  3. En haut à gauche de l'écran, cliquez sur Démarrer l'atelier pour commencer.

Utilisez la navigation privée

  1. Copiez le nom d'utilisateur et le mot de passe fournis pour l'atelier
  2. Cliquez sur Ouvrir la console en navigation privée

Connectez-vous à la console

  1. Connectez-vous à l'aide des identifiants qui vous ont été attribués pour l'atelier. L'utilisation d'autres identifiants peut entraîner des erreurs ou des frais.
  2. Acceptez les conditions d'utilisation et ignorez la page concernant les ressources de récupération des données.
  3. Ne cliquez pas sur Terminer l'atelier, à moins que vous n'ayez terminé l'atelier ou que vous ne vouliez le recommencer, car cela effacera votre travail et supprimera le projet.

Ce contenu n'est pas disponible pour le moment

Nous vous préviendrons par e-mail lorsqu'il sera disponible

Parfait !

Nous vous contacterons par e-mail s'il devient disponible

Un atelier à la fois

Confirmez pour mettre fin à tous les ateliers existants et démarrer celui-ci

Utilisez la navigation privée pour effectuer l'atelier

Le meilleur moyen d'exécuter cet atelier consiste à utiliser une fenêtre de navigation privée. Vous éviterez ainsi les conflits entre votre compte personnel et le compte temporaire de participant, qui pourraient entraîner des frais supplémentaires facturés sur votre compte personnel.