了解数据
虽然嵌入适用于多个国家/地区，但架构在所有数据集中保持一致。嵌入会整理到每个国家/地区单独的 BigQuery 商品详情中。
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由人口动态模型提取的特定数据信号。
了解这种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 | 汇总搜索趋势 | 反映区域性兴趣和关注点（例如，对“健身房”“流感症状”“奢侈品”的搜索）。 |
| 128 - 255 | 地图和繁忙程度 | 捕获建成环境（医院、公园、学校等 POI）和人类活动密度。 |
| 256 - 329 | 天气和空气质量 | 捕获环境上下文（温度、降水、空气质量指数、风）。 |
关键列和元数据
嵌入表包含空间元数据，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：相应区域的主要标识符。对于 S2 单元格数据集，这是以十六进制字符串（例如'80ead45'）表示的 S2 单元格令牌。请将其用作主要联接键。geo_name：相应区域的直观易懂的名称。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。这是有意为之，旨在确保所有人口动态产品都具有一致的列结构。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：顶级边界的人类可读名称（例如'California'）。administrative_area_level_2_id：次级行政边界（例如县或区）的唯一 Google 地图地点 ID。administrative_area_level_2_name：次要边界的人类可读名称（例如'Tulare County'）。features：核心的 330 维嵌入向量，以原生方式存储为ARRAY<FLOAT64>。将此数据加载到 Pandas Python 库中需要将其扁平化或转换为 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？
不会。人口动态分析洞见嵌入内容是根据汇总的、可保护隐私的信号生成的。为确保用户隐私，我们不会提供具体的用户轨迹、个人搜索记录或原始移动模式。这些嵌入内容提供了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。
向量维度是否可解释（例如，维度 5 是否为“咖啡”）？
这些向量是潜在表示，这意味着它们捕获的是抽象模式，而不是具体且直观易懂的标签。虽然我们知道指数 0-127 源自 Google 搜索趋势，但特定指数（例如指数 5）并非与单个关键字（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）？
该数据集提供地理标识符（例如 1 级和 2 级行政区域）的 S2 单元格 ID (geo_id) 和地点 ID，但不包含这些区域的原始多边形几何图形（WKT/Shapefile）。
- 用于可视化：您可以使用 BigQuery GeoViz 等工具直接绘制形心，也可以使用几何图形库根据十六进制令牌计算 S2 多边形。
- 对于空间联接：如果您需要精确的边界运算（例如
ST_CONTAINS），建议将此数据集与公共边界数据集（可在 BigQuery 公共数据中找到）联接。