BigQuery 在 Pandas 中推出 AI 函数，支持嵌入、预测与 LLM 调用

因为 `ai.if_()` 返回布尔 Series，你可以直接将其用作 pandas 过滤掩码，例如 `df[df.bigquery.ai.if_(prompt)]`。`ai.if_()` 默认以优化模式运行（optimization_mode="minimize_cost"）：一个本地蒸馏模型处理大部分行，只有其余行会发送给 Gemini，从而在大型数据集上降低成本和延迟。若要将每一行都发送给 LLM，请将 `optimization_mode` 设置为 "maximize_quality"。

快速开始

由 bigquery 访问器提供的 AI 函数可直接在你的原生数据结构中解锁高级机器学习工具，使你无需离开熟悉的 Python 生态即可解决复杂的 AI 挑战。

目前支持的 AI 函数包括以下内容（完整详情请参阅文档）：

Pandas Series

• embed()： 生成向量嵌入到单个列。
• generate_embedding()： 生成向量嵌入到表。
• generate_table()： 执行自然语言任务并生成结构化输出。
• generate_text()： 执行自然语言任务并生成自由格式文本。
• similarity()： 计算条目之间的语义接近度（余弦相似度）。

Pandas DataFrame

• classify()： 执行零样本分类。
• forecast()： 使用 TimesFM 对分组数据运行时间序列预测，包括新的 TimesFM 3.0。
• generate()： 在多个列上评估动态提示以生成文本响应。
• generate_bool()： 评估自然语言条件并返回布尔值（True/False）。
• generate_double()： 评估提示并返回浮点数。
• generate_int()： 评估提示并返回整数。
• if_()： 根据自然语言条件过滤行，默认使用优化模式以降低成本和延迟。
• predict()： 使用 TabFM 运行预测建模，例如回归。
• score()： 根据你描述的评分系统对输入进行评分。

无论你是想生成嵌入还是运行完整的时间序列预测，pandas 中的 BigQuery AI 函数 都能让规模化机器学习变得轻松。试用一下，让你的数据来完成繁重的工作！