[{"data":1,"prerenderedAt":29},["ShallowReactive",2],{"article-data-curso-gcp-bigquery-11":3},{"content":4,"date":5,"image":6,"sideArticles":7},"\u003C!DOCTYPE html>\r\n\u003Chtml lang=\"es\">\r\n\u003Chead>\r\n    \u003Cmeta charset=\"UTF-8\">\r\n    \u003Cmeta name=\"viewport\" content=\"width=device-width, initial-scale=1.0\">\r\n    \u003Ctitle>Laboratorio 11: Integración con Python y API de BigQuery\u003C/title>\r\n    \u003Cstyle>\r\n        h1,\r\n        h2,\r\n        h3 {\r\n            color: #333;\r\n        }\r\n\r\n        ul {\r\n            list-style-type: disc;\r\n            margin-left: 20px;\r\n        }\r\n\r\n        code {\r\n            background-color: #f4f4f4;\r\n            padding: 2px 5px;\r\n            border-radius: 3px;\r\n            font-family: monospace;\r\n        }\r\n    \u003C/style>\r\n\u003C/head>\r\n\u003Cbody>\r\n\r\n    \u003Ch1>Laboratorio 11: Integración con Python y API de BigQuery\u003C/h1>\r\n\r\n    \u003Ch2>Objetivos del Laboratorio\u003C/h2>\r\n    \u003Cul>\r\n        \u003Cli>Establecer canales de comunicación programáticos y automatizados con BigQuery utilizando su biblioteca cliente oficial de Python.\u003C/li>\r\n        \u003Cli>Implementar el protocolo de credenciales por defecto de la aplicación (ADC) para evitar almacenar y arriesgar archivos de claves físicas en el repositorio.\u003C/li>\r\n        \u003Cli>Optimizar drásticamente la transferencia de datos en memoria serializando registros de BigQuery a objetos Pandas DataFrame de forma paralela.\u003C/li>\r\n        \u003Cli>Estructurar scripts automatizados con control de excepciones nativo de GCP para exportar información analítica localmente de manera segura.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch2>Herramientas y APIs Utilizadas\u003C/h2>\r\n    \u003Cul>\r\n        \u003Cli>\u003Ccode>Google Cloud BigQuery Python SDK\u003C/code>: Biblioteca cliente de Python que encapsula y administra la interacción remota con el almacén de datos.\u003C/li>\r\n        \u003Cli>\u003Ccode>Apache Arrow (pyarrow)\u003C/code>: Biblioteca de serialización en memoria empleada por el SDK para transferir datos binarios en columnas de forma rápida.\u003C/li>\r\n        \u003Cli>\u003Ccode>db-dtypes\u003C/code>: Biblioteca de soporte empleada para mapear de manera nativa los tipos de datos de BigQuery (como marcas de tiempo) hacia estructuras de Pandas.\u003C/li>\r\n        \u003Cli>\u003Ccode>BigQuery API\u003C/code>: Servicio programático encargado de recibir, auditar y procesar las peticiones asíncronas de consulta enviadas desde nuestro código.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch2>Estructura del Código Desarrollado\u003C/h2>\r\n    \u003Cul>\r\n        \u003Cli>\u003Ccode>requirements.txt\u003C/code>: Archivo de especificación de dependencias y versiones de librerías Python requeridas para la ejecución.\u003C/li>\r\n        \u003Cli>\u003Ccode>query_to_dataframe.py\u003C/code>: Script lógico de automatización que inicializa el cliente de BigQuery, ejecuta el query job, convierte la salida a Pandas DataFrame y guarda el archivo resultante.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch2>Paso a Paso del Despliegue\u003C/h2>\r\n\r\n    \u003Ch3>Fase 1: Preparación del Entorno Virtual\u003C/h3>\r\n    \u003Cul>\r\n        \u003Cli>Creación de un espacio de trabajo dedicado en local y aislamiento de librerías inicializando un entorno virtual con \u003Ccode>python3 -m venv venv\u003C/code>.\u003C/li>\r\n        \u003Cli>Declaración y fijación de dependencias estrictas en el archivo de requerimientos del proyecto.\u003C/li>\r\n        \u003Cli>Instalación asíncrona de las librerías necesarias ejecutando la orden de terminal \u003Ccode>pip install -r requirements.txt\u003C/code>.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch3>Fase 2: Diseño del Script de Automatización\u003C/h3>\r\n    \u003Cul>\r\n        \u003Cli>Instanciación del cliente de Google Cloud declarando la llamada segura \u003Ccode>bigquery.Client()\u003C/code> dentro de un bloque de control de excepciones.\u003C/li>\r\n        \u003Cli>Construcción de la variable SQL que interroga un dataset público referente a la capacidad de estaciones de bicicletas en Londres.\u003C/li>\r\n        \u003Cli>Ejecución asíncrona del trabajo analítico mediante \u003Ccode>client.query()\u003C/code> y bloqueo programado del hilo hasta recibir confirmación del motor de BigQuery.\u003C/li>\r\n        \u003Cli>Serialización del resultado asimilándolo directamente como un DataFrame mediante el método optimizado \u003Ccode>results.to_dataframe()\u003C/code>.\u003C/li>\r\n        \u003Cli>Uso del método \u003Ccode>describe()\u003C/code> de Pandas para generar métricas estadísticas descriptivas de manera instantánea sobre la muestra.\u003C/li>\r\n        \u003Cli>Persistencia y escritura local del DataFrame resultante en formato de archivo de texto de tipo \u003Ccode>CSV\u003C/code>.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch3>Fase 3: Autenticación y Ejecución del Pipeline\u003C/h3>\r\n    \u003Cul>\r\n        \u003Cli>Inicio seguro de sesión de credenciales locales ejecutando en la consola el comando de GCP \u003Ccode>gcloud auth application-default login\u003C/code>.\u003C/li>\r\n        \u003Cli>Lanzamiento del programa de automatización ETL llamando a la instrucción \u003Ccode>python scripts/query_to_dataframe.py\u003C/code>.\u003C/li>\r\n        \u003Cli>Inspección de las métricas numéricas descriptivas impresas de manera directa en la terminal y verificación del archivo CSV generado de forma local.\u003C/li>\r\n    \u003C/ul>\r\n\r\n\u003C/body>\r\n\u003C/html>","July 9, 2026","https://storage.googleapis.com/mp-blog/images/curso-gcp-bigquery-11.jpg",[8,14,19,24],{"id":9,"title":10,"description":11,"image":12,"date":13},"curso-gcp-ai-ops-01","Fundamentos de AIOps en Google Cloud | Curso AIOps con Vertex AI","Módulo 1: Fundamentos de AIOps en Google Cloud. Aprende la transición de ITOps a operaciones inteligentes y cómo preparar tu infraestructura base con Terraform.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-01.jpg","May 28, 2026",{"id":15,"title":16,"description":17,"image":18,"date":13},"curso-gcp-ai-ops-02","Vertex AI para AIOps: AutoML y Despliegue | Curso AIOps","Módulo 2: Gestión de modelos con Vertex AI para AIOps. Aprende a utilizar AutoML, gestionar datasets tabulares y desplegar endpoints de predicción.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-02.jpg",{"id":20,"title":21,"description":22,"image":23,"date":13},"curso-gcp-ai-ops-03","Observabilidad Inteligente en GCP | Curso AIOps","Módulo 3: Observabilidad Inteligente en GCP. Configuración de Cloud Monitoring, Cloud Logging y creación de dashboards predictivos correlacionados con BigQuery.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-03.jpg",{"id":25,"title":26,"description":27,"image":28,"date":13},"curso-gcp-ai-ops-04","Automatización Operativa y Remediación | Curso AIOps","Módulo 4: Automatización Operativa en AIOps. Aprende a crear arquitecturas dirigidas por eventos con Cloud Functions y Pub/Sub para la remediación automática.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-04.jpg",1783609807853]