Informações gerais

O objetivo deste laboratório é mostrar aos alunos como instanciar um notebook do Jupyter que está sendo executado no serviço da Vertex AI do Google Cloud. Na demonstração, usaremos um conjunto de dados com os horários de partida e de chegada de vários voos.

Objetivos

Neste laboratório, você vai aprender a fazer o seguinte:

• Instanciar um notebook do Jupyter na Vertex AI.
• Executar uma consulta do BigQuery em um notebook do Jupyter e processar a resposta usando o Pandas

Configuração e requisitos

Para cada laboratório, você recebe um novo projeto do Google Cloud e um conjunto de recursos por um determinado período e sem custos financeiros.

1. Faça login no Qwiklabs em uma janela anônima.

2. Confira o tempo de acesso do laboratório (por exemplo, 1:15:00) e finalize todas as atividades nesse prazo.
   Não é possível pausar o laboratório. Você pode reiniciar o desafio, mas vai precisar refazer todas as etapas.

3. Quando tudo estiver pronto, clique em Começar o laboratório.

4. Anote as credenciais (Nome de usuário e Senha). É com elas que você vai fazer login no Console do Google Cloud.

5. Clique em Abrir Console do Google.

6. Clique em Usar outra conta, depois copie e cole as credenciais deste laboratório nos locais indicados.
   Se você usar outras credenciais, vai receber mensagens de erro ou cobranças.

7. Aceite os termos e pule a página de recursos de recuperação.

Abra o console do BigQuery

1. No Console do Google Cloud, selecione Menu de navegação > BigQuery. Você verá a caixa de mensagem Olá! Este é o BigQuery no Console do Cloud. Ela tem um link para o guia de início rápido e lista as atualizações da IU.
2. Clique em Concluído.

Tarefa 1: iniciar a instância do Vertex AI Workbench

1. No console do Google Cloud, no Menu de navegação (), clique em Vertex AI.

2. Selecione Ativar todas as APIs recomendadas.

3. No Menu de navegação, clique em Workbench.

   Verifique se você está na visualização Instâncias do topo da página do Workbench.

4. Clique em + Criar nova.

5. Configure a instância:

   • Nome: lab-workbench
   • Região: configure a região como
   • Zona: configure a zona como
   • Opções avançadas (opcional): se necessário, clique em "Opções avançadas" para personalizar mais (ex.: tipo de máquina, tamanho do disco).

6. Clique em Criar.

O processo vai levar alguns minutos, e uma marca de confirmação verde vai aparecer ao lado do nome da instância quando ela for criada.

7. Clique em ABRIR O JUPYTERLAB ao lado do nome da instância para iniciar a interface do ambiente. Uma nova guia será aberta no navegador.

8. Clique no ícone do Python 3 para iniciar um novo notebook do Python.

9. Clique com o botão direito no arquivo Untitled.ipynb na barra de menus e escolha Renomear notebook para dar um nome a ele.

Seu ambiente está configurado. Está tudo pronto para você começar a trabalhar com seu notebook do Vertex AI Workbench.

Clique em Verificar meu progresso para conferir o objetivo. Iniciar a instância do Vertex AI Workbench

Tarefa 2: execute uma consulta do BigQuery

1. Insira a consulta abaixo na primeira célula do 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

O comando usa a função mágica %%bigquery. As funções mágicas dos notebooks servem como alias para comandos do sistema. Neste caso, %%bigquery executa a consulta na célula do BigQuery e armazena a resposta em um objeto DataFrame do Pandas chamado df.

2. Com o cursor na célula, pressione Shift + Enter para executar. Outra opção é acessar a guia Executar e clicar em Executar células selecionadas. Anote o atalho de teclado dessa ação caso não seja Shift + Enter. Não haverá resposta quando você executar o comando.

Clique em Verificar meu progresso para conferir o objetivo. Execute uma consulta do BigQuery

3. Em uma nova célula, execute este código para acessar as cinco primeiras linhas da saída da consulta:

df.head()

Tarefa 3: crie um plot com o Pandas

Usaremos o DataFrame do Pandas que contém a saída da nossa consulta para criar um plot que mostra a relação entre os atrasos na partida e na chegada. Antes de continuar, para quem não conhece o Pandas, recomendamos conferir o Guia de iniciação em dez minutos (em inglês).

1. Para conseguir o DataFrame que contém os dados necessários, precisamos primeiro organizar a saída bruta da consulta. Insira o código abaixo em uma célula nova para converter a lista de arrival_delay_deciles em um objeto Series do Pandas. O código também altera o nome das colunas resultantes.

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()

2. Como queremos relacionar os atrasos de partida e de chegada, precisamos concatenar a tabela percentiles com o campo departure_delay no DataFrame original. Execute este código em uma célula nova:

df = pd.concat([df['departure_delay'], percentiles], axis=1) df.head()

3. Antes de plotar o conteúdo do DataFrame, elimine os valores extremos armazenados nos campos 0% e 100%. Execute este código em uma célula nova:

df.drop(labels=['0%', '100%'], axis=1, inplace=True) df.plot(x='departure_delay', xlim=(-30,50), ylim=(-50,50));

Finalize o laboratório

Após terminar seu laboratório, clique em End Lab. O Qwiklabs removerá os recursos usados e limpará a conta para você.

Você poderá avaliar sua experiência neste laboratório. Basta selecionar o número de estrelas, digitar um comentário e clicar em Submit.

O número de estrelas indica o seguinte:

• 1 estrela = muito insatisfeito
• 2 estrelas = insatisfeito
• 3 estrelas = neutro
• 4 estrelas = satisfeito
• 5 estrelas = muito satisfeito

Feche a caixa de diálogo se não quiser enviar feedback.

Para enviar seu feedback, fazer sugestões ou correções, use a guia Support.

Copyright 2020 Google LLC. Todos os direitos reservados. Google e o logotipo do Google são marcas registradas da Google LLC. Todos os outros nomes de produtos e empresas podem ser marcas registradas das respectivas empresas a que estão associados.