BigQuery & Python & SQL – 視覺化報表怎麼製作

要製作視覺化報表除了LookerStudio外，還可以怎麼做? 今天要分享透過PY來做資料視覺化報表的應用，PY本身有許多套件都是用來處理資料分析，例如Matplotlib, Plotly, Steamlit ，而我今天使用的範例是Pygwalker是一款，急速產生視覺化報表，而且修改不需要程式碼，他會直接使用UI介面讓你做拉選，但缺點是當資料量體過大，他會有LAG的現象，不過如果有先做好資料篩選；透過BigQuery把資料精簡化，後續再用這款套件，速度就很流暢，做表也很彈性。

本篇實務內容持續更新，依據不同分析目的製作不同分析報表。歡迎定期關注本篇文章！

• 其他BigQuery相關說明

• 更多BigQuery函式引用

PYTHON視覺化結果

每月Purchse來源媒介長條圖

with _cte as (
SELECT  event_date,
    ecommerce.purchase_revenue,
    user_pseudo_id,
    traffic_source.source,
    traffic_source.medium,
    event_name,
    device.mobile_model_name
    FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*` 
    WHERE _table_suffix between '20201001' and  '20201231'
)
select event_date,source,medium,purchase_revenue FROM _cte
WHERE event_name = 'purchase'
ORDER BY event_date

UPT – 每筆交易購買的商品數量

每筆交易購買的商品數量是GA4裡面沒有的指標，透過BigQuey的撈取原始資料，並且先在BigQuery計算完報表，再輸出至PYTHON產生「每日銷售額 + 每日每筆交易購買的商品數量」的視覺化報表。

WITH cte AS(
SELECT 
  event_date,
  ecommerce.purchase_revenue AS REV,
  ecommerce.unique_items AS Items,
  items.item_name AS Item_Name,
  ecommerce
  FROM
  --改為你自己的資料表
  `bigquery.analytics.events_*` ,
  UNNEST(items) AS items
WHERE _table_suffix > '20240101'
AND event_name = 'purchase'
LIMIT 1000
)

SELECT 
  event_date,
  SUM(REV) AS Revenue,
  ROUND(SUM(Items) / COUNT(ecommerce.transaction_id),2) AS UPT ,
  SUM(Items) AS sells_item,
  COUNT(ecommerce.transaction_id) as Transasion_times,
  
FROM cte
GROUP BY 1
ORDER BY 1

BigQuery 報表製作流程

生成報表的依序過程

透過BIGQUERY 與 GA4串連 => 透過SQL從BigQuery撈取資料 => 使用Looker Studio進行視覺化報表生成，或Python 引入相關套件進行視覺化報表生成。

本篇文章需要對Bigquery有一定的認知，以及SQL查詢語言的熟悉，如果你還不知道甚麼是Bigquery，可以快速翻閱這篇文章，再回來看這篇的實際應用。

匯入資料

匯入GA4資料來源，如果你目前的BigQuery還沒有資料來源，你可以透過匯入公開資料集，來進行BigQuery的查詢、SQL的練習。這邊匯入資料前面就有講述，因此快速帶過，如果不知道怎麼匯入資料集的，可以返回上一篇BigQuery資料匯入查看。

選取要查閱的報表

因為我使用的是範例資料，所以要先找到接下來要分析的GA4報表，並且打開這張表，看一下目前擁有的資料內容。

確定日期範圍

由於這個資料來自外部，因此我無法確定資料擁有的時間範圍，所以我需要多出這一個步驟。如果你是使用自家的資料，並且知道自己要使用哪些時間範圍的資料，你可以忽略這一個步驟。

--找尋在資料表中不重複日期，以確定日期範圍
SELECT DISTINCT event_date   FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*` 
WHERE _table_suffix between '20201001' and '20231231'
order by event_date

指定資料欄位

SELECT  event_date,
    ecommerce.purchase_revenue,
    user_pseudo_id,
    traffic_source.source,
    traffic_source.medium,
    event_name,
    device.mobile_model_name
FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*` 
WHERE _table_suffix between '20201001' and  '20201231'

依照這次的篩選目標，我需要得知來源媒介，但我多拉了一些裝置、ID以備不時之需，如果你不想要，你也可以把這些不要分析的欄位刪除。

CTE

with _cte as (
SELECT  event_date,
    ecommerce.purchase_revenue,
    user_pseudo_id,
    traffic_source.source,
    traffic_source.medium,
    event_name,
    device.mobile_model_name
    FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*` 
    WHERE _table_suffix between '20201001' and  '20201231'
)
select event_date,source,medium,purchase_revenue FROM _cte
WHERE event_name = 'purchase'
ORDER BY event_date

如果不知道CTE是甚麼，可以查看一下這篇文章，另外如果想要知道其他CTE使用的也可以查看這篇。這一個步驟是篩選明確我要的分析資料，讓我後續可以快速進行報表的製作；方便我查看欄位，同樣也能節省SQL的資料用量，如果你好奇使用BigQuery的查詢價格，可以參考官方文件。

資料都調閱出來後，後續就可以進行視覺化報表的操作，你可以透過Looker Studio 或是Python套件，進行視覺化報表的製作。

開啟Google Colab

一開始打開Colab會有預設幫你寫好的引入套件、套件Function、專案ID；就是讓Colab能讀取你Bigquery裡面的資料。而這邊的程式碼都不需要更改，這是對應你的BigQuery的專案設定，你要先把每一行的程式碼點一下播放按鈕，讓colab進行運行。

點到第三行，也會有看到來自BigQuery的資料DataFrame。不過這還不是我們要的結果。

其他的文字你覺得不方便都可以先移除。

安裝套件

!pip install pygwalker

此語法讓我們先安裝對應要製作視覺化報表的套件，PYTHON有很多種不同套件，都可以進行數據的視覺化製作，這個Pygwalker是相對讓不懂程式語言的人，可以快速製作視覺化報表。

引入套件

#輸入語法
import pygwalker as pyg
pyg.walk(results)

引入上一步驟安裝的套件，並且透過pygwalker 套件中的方法，讀取我們Bigquery的資料。如上圖。
沒問題後他就會開啟一個UI讓我們製作視覺化報表。而資料則引用剛剛在BigQuery查詢好的資料。

依照XY拉動資料

拉動X與Y軸，還有利用source來區分來源的多寡，就能清楚看到完整的每月收益，以及站大多數的來源。到這邊即完成!

滑鼠指標移動過去圖片上，圖片也會顯示對應的資料詳細。

總結

不管後續查詢Biqquery是透過Looker Studio, PYTHON。皆能達到同樣的視覺化目的。使用前者就是專注在做資料的分析，但如果你使用PYTHON，可以再引入其他模組，例如OPENAI,Requests，前者將資料餵給AI請他去分析解讀，後者可以將資料混和進行其他比較，可行的方式有無限多種，而且使用Colab查詢，相較Looker Studio比較不容易卡頓，我個人是比較多推薦PYTHON作分析。