解讀資料
雖然嵌入適用於多個國家/地區，但所有資料集的結構定義都保持一致。嵌入項目會依國家/地區整理成不同的 BigQuery 資訊。
嵌入向量剖析
features 資料欄是 330 維向量 (在 BigQuery 中儲存為 REPEATED FLOAT 陣列)。陣列的每個部分都對應到人口動態模型擷取的特定資料信號。
瞭解這項結構後，就能進行特徵消融 (例如判斷搜尋行為與天氣相比，對銷售量的預測程度)。
| 向量索引 | 資料來源 | 說明 |
|---|---|---|
| 0 至 127 | 匯總搜尋趨勢 | 擷取區域層級的匯總匿名消費者興趣資料 (例如「居家修繕」、「慢跑鞋」或「電動車」的相對區域搜尋熱度)。原始查詢絕不會公開。 |
| 128 – 255 | 地圖和繁忙度 | 擷取建成環境 (例如餐廳、公園、學校等搜尋點)，以及公共場所的匯總去識別化繁忙度。 |
| 256 至 329 | 天氣和空氣品質 | 擷取環境背景資訊 (例如溫度、降雨量、空氣品質指數、風力)。 |
重要資料欄和中繼資料
嵌入資料表包含空間中繼資料，可進行地理空間分析、篩選，以及與其他 Google Maps Platform 服務互通。
geo_id：區域的主要 ID。如果是 S2 儲存格資料集，這會是以十六進位字串表示的 S2 儲存格權杖 (例如'80ead45')。請將這個鍵做為主要彙整鍵。geo_name：區域的人類可讀名稱。注意：如果是 S2 格線資料集，數學儲存格沒有標準名稱，因此這個資料欄會包含與geo_id完全相同的權杖。這是為了確保所有人口動態產品的資料欄結構一致。administrative_area_level_1_id：頂層行政邊界的專屬 Google 地圖地點 ID (例如州或省)。administrative_area_level_1_name：頂層邊界的人類可讀名稱 (例如'California')。administrative_area_level_2_id：次要行政邊界的專屬 Google 地圖地點 ID (例如郡或區)。administrative_area_level_2_name：次要邊界的易讀名稱 (例如'Tulare County')。features：核心 330 維嵌入向量，原生儲存為ARRAY<FLOAT64>。如要將這項資料載入 Pandas Python 程式庫，必須先將資料扁平化或轉換為 NumPy 矩陣。
常見問題 (FAQ)
我可以存取原始輸入資料 (例如特定搜尋查詢或行動軌跡) 嗎？
不會。人口動態洞察嵌入內容是根據匯總的隱私權保護信號生成，為確保使用者隱私，我們不會提供特定使用者追蹤記錄、個人 Google 搜尋記錄或原始移動模式。這些嵌入內容提供這些行為的潛在表示法，經過最佳化處理，適用於建模和預測，而非原始分析。
向量維度是否可解讀 (例如維度 5 是「咖啡」)？
向量是潛在表示法，也就是擷取抽象模式，而非特定、人類可讀的標籤。雖然我們知道索引 0 到 127 來自搜尋趨勢，但特定索引 (例如索引 5) 不會一對一對應到單一關鍵字 (例如「咖啡」)。而是代表模型學到的複雜搜尋行為特徵。
資料集是否包含多邊形邊界 (Shapefile)？
資料集提供 S2 儲存格權杖 (geo_id) 和地理 ID (例如 admin 1 和 admin 2 區域) 的地點 ID，但不含 S2 儲存格區域的原始多邊形幾何圖形 (WKT/Shapefile)。如果機器學習管道只需要特徵向量，省略原始幾何圖形可避免儲存空間膨脹，並降低 BigQuery 掃描成本。此外，與執行空間多邊形交集相比，加入 S2 字串符記的速度明顯更快，運算效率也更高。
- 點座標：如要將點資料 (例如搜尋點位置或商店群集中心) 與人口動態深入分析資料彙整，請使用
S2_CELLIDFROMPOINT搭配ST_GEOGPOINT，將經緯度座標轉換為 S2 第 12 級儲存格權杖 (請參閱「將點座標轉換為 S2 第 12 級十六進位權杖」)。 - 區域邊界：如要將自訂邊界與人口動態洞察資料集相交，建議使用
S2_COVERINGCELLIDS將自訂多邊形轉換為涵蓋的 S2 第 12 級儲存格權杖 (請參閱「為多邊形產生涵蓋的 S2 第 12 級儲存格權杖」)，或將這個資料集與 BigQuery Public Data 中提供的公開邊界資料集聯結。 - 視覺化和幾何圖形轉換：BigQuery 的內建地理函式會執行單向轉換 (幾何圖形 → S2 儲存格 ID)。如要將 S2 儲存格權杖轉換為多邊形幾何圖形，以便用於地圖或 GIS 工具，可以使用用戶端程式庫，例如 Python 的
s2sphere。如需程式碼範例和操作說明，請參閱「從 S2 第 12 級十六進位權杖取得 S2 儲存格幾何圖形」。