Z tego dokumentu dowiesz się, jak używać przykładowych danych identyfikatorów miejsc ze Statystyk miejsc za pomocą funkcji liczby miejsc oraz ukierunkowanych wyszukiwań szczegółów miejsc, aby zwiększyć pewność wyników.
Szczegółową implementację referencyjną tego wzorca znajdziesz w tym notatniku z objaśnieniami:

Wzorzec architektoniczny
Ten wzorzec architektoniczny zapewnia powtarzalny przepływ pracy, który pozwala wypełnić lukę między ogólną analizą statystyczną a weryfikacją danych podstawowych. Łącząc skalę BigQuery z precyzją Places API, możesz z pewnością weryfikować wyniki analiz. Jest to szczególnie przydatne przy wyborze lokalizacji, analizie konkurencji i badaniach rynku, gdzie zaufanie do danych jest najważniejsze.
Ten wzorzec składa się z 4 głównych etapów:
- Przeprowadzanie analizy na dużą skalę: użyj funkcji liczenia miejsc ze Statystyk miejsc w BigQuery, aby przeanalizować dane o miejscach na dużym obszarze geograficznym, np. w całym mieście lub regionie.
- Wyodrębnianie próbek: zidentyfikuj obszary zainteresowania (np. „punkty aktywne” o dużej gęstości) na podstawie zagregowanych wyników i wyodrębnij
sample_place_idsdostarczone przez funkcję. - Pobieranie szczegółowych informacji o miejscu: użyj wyodrębnionych identyfikatorów miejsc, aby wykonywać ukierunkowane wywołania interfejsu Place Details API i pobierać szczegółowe, rzeczywiste informacje o każdym miejscu.
- Utworzenie połączonej wizualizacji: nałóż szczegółowe dane o miejscach na początkową mapę statystyczną wysokiego poziomu, aby wizualnie sprawdzić, czy zagregowane liczby odzwierciedlają rzeczywistość.
Przepływ pracy rozwiązania
Ten proces pozwala połączyć trendy na poziomie makro z faktami na poziomie mikro. Zaczynasz od ogólnego widoku statystycznego i strategicznie przechodzisz do szczegółów, aby zweryfikować dane na konkretnych przykładach z prawdziwego świata.
Analizowanie gęstości miejsc na dużą skalę za pomocą Statystyk miejsc
Pierwszym krokiem jest ogólne zrozumienie sytuacji. Zamiast pobierać tysiące pojedynczych ciekawych miejsc, możesz uruchomić jedno zapytanie, aby uzyskać podsumowanie statystyczne.
Do tego celu idealnie nadaje się funkcja PLACES_COUNT_PER_H3 Statystyk miejsc. Agreguje liczbę ciekawych miejsc w systemie siatki sześciokątnej (H3), co pozwala szybko identyfikować obszary o dużej lub małej gęstości na podstawie określonych kryteriów (np. restauracje z wysoką oceną, które są otwarte).
Przykładowe zapytanie wygląda tak: Pamiętaj, że musisz podać obszar wyszukiwania. Do pobierania danych o granicach geograficznych można użyć otwartego zbioru danych, takiego jak Overture Maps Data, który jest publicznym zbiorem danych BigQuery.
W przypadku często używanych granic otwartych zbiorów danych zalecamy ich materializację w tabeli we własnym projekcie. Znacznie obniża to koszty BigQuery i poprawia wydajność zapytań.
-- This query counts all highly-rated, operational restaurants
-- across a large geography, grouping them into H3 cells.
SELECT *
FROM
`places_insights___gb.PLACES_COUNT_PER_H3`(
JSON_OBJECT(
'geography', your_defined_geography,
'h3_resolution', 8,
'types', ['restaurant'],
'business_status', ['OPERATIONAL'],
'min_rating', 3.5
)
);
Filtrowanie i weryfikacja według identyfikatora marki
Jeśli chcesz sprawdzić liczbę i przykładowe identyfikatory miejsc dla konkretnych marek, podaj listę identyfikatorów marek za pomocą filtra brand_ids.
Aby uzyskać identyfikator marki docelowej, wyślij zapytanie do tabeli brands w BigQuery:
SELECT id, name
FROM `YOUR_PROJECT.places_insights___us.brands`
WHERE LOWER(name) LIKE "%starbucks%";
Po pobraniu identyfikatora marki docelowej (np. "1413758728321880760" dla Starbucks) przekaż go w tablicy filtra brand_ids:
SELECT *
FROM
`places_insights___us.PLACES_COUNT_PER_H3`(
JSON_OBJECT(
'geography', your_defined_geography,
'h3_resolution', 8,
'brand_ids', ["1413758728321880760"]
)
);
W kroku 3, czyli podczas weryfikacji danych podstawowych, zamiast potwierdzać, że miejsce pasuje do ogólnych kategorii, możesz automatycznie porównać wyświetlaną nazwę zwróconą przez interfejs API informacji o miejscu z oczekiwaną nazwą marki, używając dopasowania wyrażenia regularnego. Możesz na przykład porównać pole response.display_name.text.
Wynikiem tego zapytania jest tabela komórek H3 i liczba miejsc w każdej z nich, która stanowi podstawę mapy termicznej gęstości.

Izolowanie ognisk zakażeń i wyodrębnianie przykładowych identyfikatorów miejsc
Wynik funkcji PLACES_COUNT_PER_H3 zwraca też tablicę sample_place_ids, która zawiera maksymalnie 250 identyfikatorów miejsc na element odpowiedzi. Te identyfikatory łączą statystyki zbiorcze z poszczególnymi miejscami, które się na nie składają.
System może najpierw zidentyfikować najbardziej trafne komórki na podstawie początkowego zapytania.
Możesz na przykład wybrać 20 komórek o najwyższych wartościach. Następnie na podstawie tych punktów dostępu konsolidujesz sample_place_ids w jedną listę.
Ta lista zawiera wybrane przykłady najciekawszych miejsc z najważniejszych obszarów, co ułatwia ukierunkowaną weryfikację.
Jeśli przetwarzasz wyniki BigQuery w Pythonie za pomocą pandas DataFrame, logika wyodrębniania tych identyfikatorów jest prosta:
# Assume 'results_df' is a pandas DataFrame from your BigQuery query.
# 1. Identify the 20 busiest H3 cells by sorting and taking the top results.
top_hotspots_df = results_df.sort_values(by='count', ascending=False).head(20)
# 2. Extract and flatten the lists of sample_place_ids from these hotspots.
# The .explode() function creates a new row for each ID in the lists.
all_sample_ids = top_hotspots_df['sample_place_ids'].explode()
# 3. Create a final list of unique Place IDs to verify.
place_ids_to_verify = all_sample_ids.unique().tolist()
print(f"Consolidated {len(place_ids_to_verify)} unique Place IDs for spot-checking.")
Podobną logikę można zastosować w przypadku innych języków programowania.
Pobieranie danych podstawowych za pomocą interfejsu Places API
Mając skonsolidowaną listę identyfikatorów miejsc, możesz teraz przejść od analizy na dużą skalę do pobierania konkretnych danych. Użyjesz tych identyfikatorów, aby wysłać zapytanie do interfejsu Place Details API i uzyskać szczegółowe informacje o każdej przykładowej lokalizacji.
To kluczowy krok weryfikacji. Podczas gdy Statystyki miejsc informują o tym, ile restauracji znajduje się na danym obszarze, Places API podaje, które to restauracje, podając ich nazwę, dokładny adres, szerokość i długość geograficzną, ocenę użytkowników, a nawet bezpośredni link do ich lokalizacji w Mapach Google. Wzbogaca to dane próbki, przekształcając abstrakcyjne identyfikatory w konkretne, możliwe do zweryfikowania miejsca.
Pełną listę danych dostępnych w interfejsie API informacji o miejscu oraz koszty związane z ich pobieraniem znajdziesz w dokumentacji interfejsu API.
Żądanie do Places API dotyczące konkretnego identyfikatora przy użyciu biblioteki klienta w Pythonie wyglądałoby tak: Więcej informacji znajdziesz w przykładach bibliotek klienta Places API (New).
# A request to fetch details for a single Place ID.
request = {"name": f"places/{place_id}"}
# Define the fields you want returned in the response as a comma-separated string.
fields_to_request = "formattedAddress,location,displayName,googleMapsUri"
# The response contains ground truth data.
response = places_client.get_place(
request=request,
metadata=[("x-goog-fieldmask", fields_to_request)]
)
Pamiętaj, że pola w tym żądaniu pobierają dane z 2 różnych kodów SKU rozliczeń.
formattedAddressilocationsą częścią SKU Szczegóły miejsca – podstawowe.displayNameigoogleMapsUrisą częścią SKU Informacje o miejscu Pro.
Jeśli pojedyncze żądanie informacji o miejscu zawiera pola z wielu kodów SKU, całe żądanie jest rozliczane według stawki kodu SKU najwyższego poziomu. Dlatego to konkretne wywołanie zostanie rozliczone jako żądanie informacji o miejscu Pro.
Aby kontrolować koszty, zawsze używaj FieldMask, aby żądać tylko tych pól, których wymaga Twoja aplikacja.
Tworzenie połączonej wizualizacji na potrzeby weryfikacji
Ostatnim krokiem jest połączenie obu zbiorów danych w jednym widoku. To szybki i intuicyjny sposób na sprawdzenie wstępnej analizy. Wizualizacja powinna mieć 2 warstwy:
- Warstwa podstawowa: kartogram lub mapa termiczna wygenerowana na podstawie początkowych wyników
PLACES_COUNT_PER_H3, pokazująca ogólną gęstość miejsc na danym obszarze geograficznym. - Warstwa górna: zestaw pojedynczych znaczników dla każdego przykładowego ciekawego miejsca, naniesionych na mapę przy użyciu dokładnych współrzędnych pobranych z interfejsu Places API w poprzednim kroku.
Logika tworzenia tego połączonego widoku jest wyrażona w tym przykładzie pseudokodu:
# Assume 'h3_density_data' is your aggregated data from Step 1.
# Assume 'detailed_places_data' is your list of place objects from Step 3.
# Create the base choropleth map from the H3 density data.
# The 'count' column determines the color of each hexagon.
combined_map = create_choropleth_map(
data=h3_density_data,
color_by_column='count'
)
# Iterate through the detailed place data to add individual markers.
for place in detailed_places_data:
# Construct the popup information with key details and a link.
popup_html = f"""
<b>{place.name}</b><br>
Address: {place.address}<br>
<a href="{place.google_maps_uri}" target="_blank">View on Maps</a>
"""
# Add a marker for the current place to the base map.
combined_map.add_marker(
location=[place.latitude, place.longitude],
popup=popup_html,
tooltip=place.name
)
# Display the final map with both layers.
display(combined_map)
Nakładając konkretne znaczniki danych podstawowych na mapę gęstości wysokiego poziomu, możesz natychmiast potwierdzić, że obszary zidentyfikowane jako punkty aktywne rzeczywiście zawierają duże skupisko analizowanych miejsc. To wizualne potwierdzenie znacznie zwiększa zaufanie do wniosków opartych na danych.
Podsumowanie
Ten wzorzec architektury zapewnia solidną i wydajną metodę weryfikacji statystyk geoprzestrzennych na dużą skalę. Wykorzystując Statystyki miejsc do szerokiej, skalowalnej analizy i interfejs API informacji o miejscu do ukierunkowanej weryfikacji danych podstawowych, tworzysz skuteczną pętlę informacji zwrotnych. Dzięki temu Twoje decyzje strategiczne, niezależnie od tego, czy dotyczą wyboru lokalizacji sklepu, czy planowania logistyki, są oparte na danych, które są nie tylko istotne statystycznie, ale też zweryfikowane pod kątem dokładności.
Dalsze kroki
- Zapoznaj się z innymi funkcjami zliczania miejsc, aby zobaczyć, jak mogą one odpowiadać na różne pytania analityczne.
- Zapoznaj się z dokumentacją Places API, aby dowiedzieć się, o jakie inne pola możesz poprosić, aby jeszcze bardziej wzbogacić analizę.
Współtwórcy
Henrik Valve | Inżynier DevX
Uruchom w Google Colab
Wyświetl źródło na GitHubie