🎯 Objetivo:

Este repositório tem como objetivo demonstrar minhas habilidades técnicas de integração do BigQuery com arquivos em Python.
Para visualizar minhas habilidades com SQL, clique aqui.

🔨 Ferramentas utilizadas:

• API do BigQuery;
• Google Colab;
• Python;
• SQL.

📚 Conteúdo dos arquivos do repositório:

1) O arquivo join_sql_pandas.ipynb apresenta o uso das seguintes ferramentas:

• Conexão com a API do BigQuery no Google Colab;
• Consulta SQL realizada diretamente no notebook (.ipynb);
• Leitura de arquivo .xlsx com a biblioteca Pandas utilizando parâmetros personalizados;
• Utilização dos métodos .read_excel(), .head(), .rename(), .merge(), .sort_values(), .drop(), .reset_index(), .insert() da biblioteca Pandas;

Objetivo:

• Utilizar o método .merge() da biblioteca Pandas para fazer um JOIN entre DataFrames.

NOTA: Os dados utilizados nesta consulta foram retirados de um conjunto de dados público disponibilizado pela Base dos Dados.

---

2) O arquivo sql_lag_pandas_shift.ipynb apresenta o uso das seguintes ferramentas:

• Conexão com a API do BigQuery no Google Colab;
• Consulta SQL realizada diretamente no notebook (.ipynb);
• Utilização da instrução CASE e da função de janela LAG() em SQL;
• Utilização da função round() e do método .shift() da biblioteca Pandas.

Objetivo:

• Utilizar o método .shift() da biblioteca Pandas para realizar análise semelhante a obtida com a função de janela LAG() no SQL.

NOTA: Os dados utilizados nesta consulta foram retirados de um conjunto de dados público disponibilizado no Big Query.

Obs.: Caso a tabela formatada não fique visível na visualização do arquivo ".ipynb" aqui no GitHub, veja abaixo o resultado: