ফেব্রুয়ারী 2021 ডেটাসেট দিয়ে শুরু করে, আমরা BigQuery-এর CrUX রিপোর্টে একটি পরীক্ষামূলক মেট্রিক যোগ করছি যা ক্রম অনুসারে উৎসের জনপ্রিয়তাকে আলাদা করে: শীর্ষ 1k অরিজিন, শীর্ষ 10k, শীর্ষ 100k, শীর্ষ 1M, ...
চলুন দেখি এটি অনুশীলনে কেমন দেখায়:
SELECT
experimental.popularity.rank AS rank_magnitude,
COUNT(DISTINCT origin) AS num_origins
FROM
`chrome-ux-report.all.202102`
GROUP BY
rank_magnitude
ORDER BY
rank_magnitude
| সারি | rank_magnitude | num_origins |
|---|---|---|
| 1 | 1,000 | 1,000 |
| 2 | 10,000 | 9,000 |
| 3 | 100,000 | 90,000 |
| 4 | 1,000,000 | 900,000 |
| 15 | 10,000,000 | 7,264,371 |
ফেব্রুয়ারী 2021 গ্লোবাল ডেটা সেটের জন্য, আমরা 5 বালতি পাই। প্রত্যাশিত হিসাবে, 1 সারিতে, আমরা দেখতে পাই যে 1000টি র্যাঙ্ক ম্যাগনিটিউড সহ 1000টি উৎপত্তি রয়েছে - আমাদের মেট্রিক অনুসারে 1k সবচেয়ে জনপ্রিয় উত্স৷ সারি 2 আশ্চর্যজনক দেখতে পারে, এটি নির্দেশ করে যে শীর্ষ 10k সেটে শুধুমাত্র 9k উৎপত্তি আছে; কারণ 1 সারির উৎপত্তিও শীর্ষ 10k সেটের অংশ। সেরা 10k উত্স নির্বাচন করতে, একজনকে পরীক্ষা করার সময় experimental.popularity.rank <= 10000 উল্লেখ করতে হবে৷
ডেটাসেটে দেশের নির্দিষ্ট র্যাঙ্কের মাত্রাও রয়েছে। উদাহরণস্বরূপ, এই ক্যোয়ারীটি জার্মানিতে সবচেয়ে জনপ্রিয় 10k উত্সগুলির তালিকা করে৷
SELECT DISTINCT origin
FROM `chrome-ux-report.country_de.202102`
WHERE experimental.popularity.rank <= 10000
আমাদের নতুন জনপ্রিয়তা মেট্রিকের সম্ভাব্যতাকে স্পর্শ করতে, আসুন দেখি কিভাবে ওয়েবের জনপ্রিয়তা বিভাগগুলি প্রথম কন্টেন্টফুল পেইন্ট মেট্রিক (FCP) এর সাথে আলাদা। এই প্রশ্নের উদ্দেশ্যে, আমরা 1 সেকেন্ডকে একটি দ্রুত ব্যবহারকারীর অভিজ্ঞতা বিবেচনা করি।
SELECT
SUM(fcp.density)/count(distinct origin)
FROM
`chrome-ux-report.all.202102`,
UNNEST(first_contentful_paint.histogram.bin) AS fcp
WHERE
fcp.start < 1000 AND experimental.popularity.rank <= 1000
experimental.popularity.rank <= 1000 দিয়ে উৎপত্তির জন্য, ক্যোয়ারীটি 1000ms এর চেয়ে ছোট FCP মেট্রিক মানের জন্য সমস্ত হিস্টোগ্রাম বালতি ঘনত্বের যোগফল দেয় এবং এটিকে উৎপত্তির সংখ্যা দ্বারা ভাগ করে - অর্থাৎ, এটি দ্রুত FCP লোডের গড় শতাংশ গণনা করে 1k সবচেয়ে জনপ্রিয় উত্স. এই ক্যোয়ারীতে, সমস্ত উত্সের সমান ওজন আছে, তাই যুক্তিযুক্তভাবে এটি নিখুঁত নয়। কিন্তু পরীক্ষামূলক.popularity.rank <= 10000 নির্দিষ্ট করার জন্য যেখানে ধারাটি পরিবর্তন করে ফলাফলটি র্যাঙ্কের মাত্রা পরিবর্তনের জন্য সংবেদনশীল কিনা তা দেখা যাক। আমরা এটি 10k, 100k, ইত্যাদির জন্য করি:
| উৎপত্তির র্যাঙ্কের মাত্রা | FCP < 1s-এর শতাংশ, উৎপত্তির তুলনায় গড় |
|---|---|
| 1.000 | 53.6% |
| 10,000 | 49.6% |
| 100,000 | 45.9% |
| 1,000,000 | 43.2% |
| 10,000,000 | 39.9% |
এটি নির্দেশ করে যে ওয়েবে একটি দ্রুত ব্যবহারকারীর অভিজ্ঞতা আরও জনপ্রিয় হওয়ার সাথে সম্পর্কযুক্ত।
অক্টোবর 2022 ডেটাসেটে এটি আরও অর্ধ-র্যাঙ্ক ধাপে বিভক্ত করা হয়েছিল। এই ডেটাসেটের জন্য প্রথম ক্যোয়ারী পুনরায় চালানোর ফলে অর্ধ-পদক্ষেপ এবং প্রতিটি র্যাঙ্ক ম্যাগনিটিউডে উৎপত্তির সংখ্যা দেখায়::
SELECT
experimental.popularity.rank AS rank_magnitude,
COUNT(DISTINCT origin) AS num_origins
FROM
`chrome-ux-report.all.202210`
GROUP BY
rank_magnitude
ORDER BY
rank_magnitude
| সারি | rank_magnitude | num_origins |
|---|---|---|
| 1 | 1,000 | 1,000 |
| 2 | 5,000 | 4,000 |
| 3 | 10,000 | 5,000 |
| 4 | 50,000 | 40,000 |
| 5 | 100,000 | 50,000 |
| 6 | 500,000 | 400,000 |
| 7 | 1,000,000 | 500,000 |
| 8 | 5,000,000 | 4,000,000 |
| 9 | 10,000,000 | 5,000,000 |
| 10 | 50,000,000 | 7,637,195 |
BigQuery-এ CrUX ব্যবহার সম্পর্কে আরও জানুন এবং আরও উদাহরণের জন্য CrUX কুকবুক ব্রাউজ করুন । আপনি যদি চান আপনার প্রশ্ন শেয়ার করুন, এবং আপনি কি খুঁজে আমাদের জানান.