了解数据
虽然嵌入向量适用于多个国家/地区，但架构在所有数据集中保持一致。嵌入向量按国家/地区整理到单独的 BigQuery 列表。
嵌入向量的剖析
features 列是一个 330 维向量（在 BigQuery 中存储为 REPEATED FLOAT 数组）。数组的每个部分都对应于人口动态模型提取的特定数据信号。
了解此结构有助于进行特征消融（例如，确定搜索行为与天气相比，对销售额的预测程度）。
| 向量索引 | 数据源 | 说明 |
|---|---|---|
| 0 – 127 | 汇总的搜索趋势 | 捕获区域兴趣和关注点（例如，搜索“健身房”“流感症状”“奢侈品”）。 |
| 128 – 255 | 地图和繁忙程度 | 捕获人造环境（医院、公园、学校等地图注点）和人类活动密度。 |
| 256 – 329 | 天气和空气质量 | 捕获环境背景信息（温度、降水、空气质量指数、风）。 |
关键列和元数据
嵌入向量表包含空间元数据，可实现地理空间分析、过滤以及与其他 Google Maps Platform 服务的互操作性。
geo_id：区域的主要标识符。对于 S2 单元格数据集， 这是以十六进制字符串表示的 S2 单元格令牌（例如'80ead45'）。请将其用作主要联接键。geo_name：区域的人类可读名称。注意：对于 S2 网格数据集，数学单元格没有标准名称，因此此列将包含与geo_id完全相同的令牌。这是为了在所有人口动态产品中保持一致的列结构而设计的。administrative_area_level_1_id：顶级行政边界（例如州或省）的唯一 Google 地图地点 ID。administrative_area_level_1_name： 顶级边界的直观易懂的名称（例如'California'）。administrative_area_level_2_id：二级行政边界（例如县或区）的唯一 Google 地图地点 ID。administrative_area_level_2_name： 二级边界的人类可读名称（例如'Tulare County'）。features：核心 330 维嵌入向量，以ARRAY<FLOAT64>形式原生存储。将其加载到 Pandas Python 库中需要展平或转换为 NumPy 矩阵。
常见问题解答 (FAQ)
我可以访问原始输入数据（例如，特定搜索查询或移动轨迹）吗？
不可以。人口动态洞见嵌入向量是根据汇总的、可保护隐私的信号生成的。为了确保用户隐私，我们不会提供特定用户轨迹、个人搜索记录或原始移动模式。嵌入向量提供这些行为的潜在表示，经过优化，可用于建模和预测，而不是原始分析。
向量维度是否可解读（例如，维度 5 是否为“咖啡”）？
向量是潜在表示，这意味着它们捕获的是抽象模式，而不是特定的、人类可读的标签。虽然我们知道索引 0-127 源自搜索趋势，但特定索引（例如索引 5）不会与单个关键字（例如“咖啡”）一一对应。 相反，它表示模型学习到的搜索行为的复杂特征。
数据集是否包含多边形边界 (Shapefile)？
该数据集提供 S2 单元格令牌 (geo_id) 和地理标识符（例如一级行政区域和二级行政区域）的地点 ID，但不包含 S2 单元格区域的原始多边形几何图形 (WKT/Shapefile)。省略原始几何图形可防止存储空间膨胀，并降低仅需要特征向量的机器学习流水线的 BigQuery 扫描费用。此外，与执行空间多边形交集相比，联接 S2 字符串令牌的速度要快得多，计算效率也更高。
- 对于点坐标： 如需将点数据（例如地图注点位置或
商店质心）与人口动态洞见联接，请使用
S2_CELLIDFROMPOINT结合ST_GEOGPOINT将纬度/经度坐标转换为 S2 级别 12 单元格令牌（请参阅将点坐标转换为 S2 级别 12 十六进制 令牌）。 - 对于区域边界： 如果您需要将自定义边界与
人口动态洞见相交，我们建议您使用
S2_COVERINGCELLIDS将自定义多边形转换为覆盖 S2 级别 12 单元格令牌（请参阅 为多边形生成覆盖 S2 级别 12 单元格令牌）， 或者将此数据集与 BigQuery 公开数据中提供的公开边界数据集联接。 - 对于可视化和几何图形转换： BigQuery 的内置地理函数执行单向转换（几何图形 → S2 单元格 ID）。如需将 S2 单元格令牌转换为多边形几何图形以用于地图或 GIS 工具，您可以使用客户端库，例如 Python 的
s2sphere。如需查看代码示例和说明，请参阅从 S2 级别 12 十六进制 令牌获取 S2 单元格几何图形。