تابع PLACES_COUNT_PER_H3

تابع PLACES_COUNT_PER_H3 یک منطقه جغرافیایی را برای جستجو انتخاب می‌کند و جدولی از تعداد مکان‌ها را به ازای هر سلول H3 در منطقه جستجو برمی‌گرداند.

از آنجا که تابع PLACES_COUNT_PER_H3 یک جدول برمی‌گرداند، آن را با استفاده از عبارت FROM فراخوانی کنید.

• پارامترهای ورودی:

  • الزامی : پارامتر فیلتر geography که ناحیه جستجو را مشخص می‌کند. پارامتر geography مقداری است که توسط نوع داده BigQuery GEOGRAPHY تعریف شده است، که از نقاط، رشته‌های خطی و چندضلعی‌ها پشتیبانی می‌کند.

    برای مثال‌هایی از استفاده از انواع مختلف جغرافیای جستجو، مانند نماها و خطوط، به تابع PLACES_COUNT مراجعه کنید.

  • الزامی : پارامتر فیلتر h3_resolution که وضوح H3 مورد استفاده برای تجمیع تعداد مکان‌ها در هر سلول H3 را مشخص می‌کند. مقادیر پشتیبانی شده از ۰ تا ۱۱ هستند.

  • اختیاری : پارامترهای فیلتر اضافی برای اصلاح جستجوی شما.

• بازده:

  • جدولی با یک ردیف در هر سلول H3. این جدول شامل ستون‌های h3_cell_index ( STRING )، geography ( GEOGRAPHY ) که چندضلعی نشان دهنده سلول H3 را تعریف می‌کند، count ( INT64 ) و sample_place_ids ( ARRAY<STRING> ) است که sample_place_ids شامل حداکثر ۲۵۰ شناسه مکان برای هر سلول H3 است.

مثال: تعداد فروشگاه‌های مواد غذایی و خواربارفروشی‌های قابل دسترس با ویلچر را در هر سلول H3 بشمارید.

مثال زیر تعداد فروشگاه‌های رفاهی و مواد غذایی فعال و قابل دسترس برای ویلچر را به ازای هر سلول H3 در شهر نیویورک محاسبه می‌کند. سلول‌های H3 از سطح وضوح ۸ استفاده می‌کنند.

این مثال از مجموعه داده عمومی Overture Maps Data BigQuery برای دریافت جغرافیای شهر نیویورک استفاده می‌کند.

DECLARE geo GEOGRAPHY;

-- Get the geography for New York City.
SET geo = (SELECT geometry FROM `bigquery-public-data.overture_maps.division_area`
  WHERE country = 'US' AND subtype = 'locality' AND names.primary = 'New York'  LIMIT 1);

SELECT * FROM `PROJECT_NAME.places_insights___us.PLACES_COUNT_PER_H3`(
  JSON_OBJECT(
      'geography', geo,
      'types', ["convenience_store","grocery_store"],
      'wheelchair_accessible_entrance', true,
      'business_status', ['OPERATIONAL'],
      'h3_resolution', 8
    )
);

مثال: تعداد مکان‌ها در هر سلول H3 که بر اساس برند فیلتر شده است را بشمارید

مثال زیر از فیلتر brand_ids برای بازیابی تعداد مکان‌ها و نمونه شناسه‌های مکان برای برندهای خاص، مانند Starbucks "1413758728321880760" و Dunkin "1314981297593671295" استفاده می‌کند:

DECLARE geo GEOGRAPHY;

-- Get the geography for New York City.
SET geo = (SELECT geometry FROM `bigquery-public-data.overture_maps.division_area`
  WHERE country = 'US' AND subtype = 'locality' AND names.primary = 'New York'  LIMIT 1);

SELECT * FROM `PROJECT_NAME.places_insights___us.PLACES_COUNT_PER_H3`(
  JSON_OBJECT(
      'geography', geo,
      'h3_resolution', 8,
      'brand_ids', ["1413758728321880760", "1314981297593671295"],
      'business_status', ['OPERATIONAL']
    )
);

نتایج را تجسم کنید

تصاویر زیر این داده‌ها را که در Looker Studio به صورت یک نقشه پر شده نمایش داده می‌شوند، نشان می‌دهند. هرچه سلول H3 تیره‌تر باشد، غلظت نتایج بیشتر است:

برای وارد کردن داده‌ها به Looker Studio:

1. برای تولید نتایج، تابع بالا را اجرا کنید.

2. در نتایج BigQuery، روی Open in -> Looker Studio کلیک کنید. نتایج شما به طور خودکار به Looker Studio وارد می‌شوند.

3. Looker Studio یک صفحه گزارش پیش‌فرض ایجاد می‌کند و آن را با عنوان، جدول و نمودار میله‌ای نتایج مقداردهی اولیه می‌کند.

   

4. هر چیزی که در صفحه وجود دارد را انتخاب کرده و حذف کنید.

5. برای افزودن یک نقشه پر شده به گزارش خود، روی Insert -> Filled map کلیک کنید.

6. در قسمت انواع نمودار -> تنظیمات، فیلدها را مطابق شکل زیر پیکربندی کنید:

   

7. نقشه پر شده مانند بالا ظاهر می‌شود. می‌توانید به صورت اختیاری انواع نمودار -> سبک‌ها را برای پیکربندی بیشتر ظاهر نقشه انتخاب کنید.

برای اطلاعات بیشتر و مثال در مورد تجسم نتایج Places Insights، به Visualize query results مراجعه کنید.