以下罗列了部分 BQ 中进行随机抽样的方法：
RANK 函数生成 0,1 范围内的 FLOAT64 类型的随机值，使用 RANK() 生成随机值，然后使用 ORDER 进行排序，并取前 n 行，即可完成完全随机抽样。
#standardSQL
SELECT
RAND() aBQ ML 这款直白来说，就是让你在 BQ(BigQuery) 中，通过 SQL 语句来完成一些简单的机器学习任务。
其最大的特点就在于： 1）使用 SQL 2）内置了部分经典算法(甚至可以使用 Tensorflow) 3）BQ 速度很快 4）其他
你说这个有没有用呢，其实也有点，你要说多有用，其实
实话实说，vultr 真是太方便了，你可以建一个机场，搭好之后存一个快照，然后用，不用了，删除实例，不花钱了。 但是下次你需要用的时候，只需要在创建实例的时候，选择用快照创建，就可以快速复原之前的机场，密码、IP都不变，贼方便。
方便又便宜！
在使用 PySpark 的时候，经常会遇到如下场景：
Spark 采用了 DAG 的计算流，直到一个实际的 Action 时才会真的发生运算，这在实际生产
from pyspark.sql.functions import array
test = df.select(array('col1', 'col2').alias('array_cols'))
最近发现 GCP 凭据 服务账号 JSON 密钥的下载方式，有所更新，此处记录一下。
现在下载服务账号 JSON 密钥的方式如下：
点击服务账号，进入服务账号详情页
在服务账号详情页中，点击 密钥 - 添加密钥
创建新的密钥，此时会自动下载 JSON 格式密钥文件
完成保存即可。
拿一个官网的效果图做示意：
以下为 SQL 语句：
WITH `all_data` AS ( -- 原始数据集
SELECT `source`,
`target`,
`level`,
`value`,
`BigQuery 的窗口函数，官方称呼为 “分析函数”(官方文档链接)
语法上和常规 SQL 语法基本没有太大差异，如下所示：
analytic_function_name ( [ argument_list ] )
OVER { window_name | ( [ window_specifi最近遇到了一个 bug,即
f'xxxx{a}'这种语法，在 python3.5 版本上运行不了，查了一下，发现这个特性是 3.6 后出现的，为了适配，还是换回了原来 .format() 的形式。
关于版本的更新内容，可以参考如下链接：