Cómo usar GAPandas con Google Analytics

Inicialmente, prefería PHP para estas tareas (y todavía lo hago para ciertas aplicaciones web), pero a medida que Google Sheets se vuelve más sofisticado, cambié a esta herramienta para análisis ad hoc más rápidos, después de realizar prototipos iniciales utilizando Query Explorer.

Sin embargo, la capacidad de combinar código Python con tablas, gráficos, comentarios y modelos es simplemente brillante. Si trabajas regularmente con datos de Google Analytics, es algo que definitivamente recomienda.

Tabla de contenidos

Accediendo a los datos de Google Analytics en Python

Como es habitual con las API de Google, ya existe una API de cliente escrita en Python que realiza el trabajo pesado involucrado en la autenticación y consulta al servidor. Sin embargo, aunque funciona bien en aplicaciones más grandes, no está empaquetado de manera conveniente para su uso en Jupyter y requiere un poco de trabajo para que funcione con Pandas.

Para ahorrar tiempo valioso en el trabajo, el autor pasó el fin de semana creando un paquete Python para facilitar y acelerar el análisis de datos de GA en Pandas y cuadernos Jupyter. Aunque ciertamente no está completo y podría usar algo de trabajo adicional en los próximos fines de semana, ha sido un gran ahorro de tiempo en el trabajo y le ha ayudado a descubrir algunas cosas interesantes sobre su sitio web personal.

A continuación, se explica cómo puedes hacer uso de él.

1. Instalar GAPandas

GAPandas se puede encontrar en el Índice de Paquetes Python (PyPi), por lo que puedes instalarlo usando un simple comando pip (o pip3).

2. Crear un archivo de clave client_secrets.json

Para autenticarte con la API de Google Analytics, necesitarás obtener un archivo de clave client_secrets.json para una Cuenta de Servicio. Guarda tu archivo de clave en un lugar lógico en tu árbol de directorios para que puedas acceder a él fácilmente desde todos tus cuadernos Jupyter.

3. Obtén tu ID de vista

Lo siguiente que necesitarás es el ID de vista para la propiedad de Google Analytics a la que deseas acceder. Para encontrar tu ID de vista, puedes hacer lo siguiente:

Ve a analytics.google.com
Haz clic en el botón Admin en la esquina inferior izquierda de la barra lateral
Selecciona la Propiedad de Google Analytics a la que deseas acceder usando el menú desplegable en la parte superior de la columna del medio
Haz clic en el botón Configuración de vista en la parte superior de la columna derecha
Copia el ID de vista (es decir, 12345678)

4. Crea tu primer script GAPandas

Abre un cuaderno Jupyter escribiendo jupyter notebook en tu terminal. Es posible que desees crear un entorno virtual antes de hacer esto.

Crea tu conexión

Carga gapandas e importa los módulos connect y query. Obtén un objeto de servicio proporcionando a la función get_service() la ruta a tu archivo de clave client_secrets.json.

from gapandas import connect, query
service = connect.get_service('ruta/a/client_secrets.json')

Escribe tu consulta

Ahora que tienes una conexión, todo lo que necesitas hacer es crear una «carga» de parámetros de consulta de la API para enviar a la API de Google Analytics. Estos son simples diccionarios de Python, por lo que deberían ser intuitivos de crear, y admiten todas las características enumeradas en la documentación de la API de Google Analytics. Aquí, obtendremos sesiones, vistas de página y rebotes por fecha durante los últimos 30 días hasta hoy.

payload = {
    'start_date': '30daysAgo',
    'end_date': 'today',
    'metrics': 'ga:sessions, ga:pageviews, ga:bounces',
    'dimensions': 'ga:date'
}

Ejecuta tu consulta

Para ejecutar tu consulta e imprimir un DataFrame de Pandas que contenga tus resultados, simplemente pasa tu diccionario de carga a la función run_query() junto con tu objeto de servicio y tu ID de vista de Google Analytics. (Es posible que desees almacenar eso en una variable para ahorrar repetición).

results = query.run_query(service, '123456789', payload)
print(results)

Ejecutando múltiples consultas

Dado que GAPandas devuelve un DataFrame de Pandas (o los datos brutos si proporcionas la bandera ‘raw’ en run_query()), puedes manipular los datos utilizando las técnicas normales de Pandas.

Esto significa que puedes crear y ejecutar múltiples consultas de la API y combinar los datos de maneras que serían mucho más complicadas en Google Sheets o PHP. Pruébalo instalándolo con pip3 install gapandas.

Cómo utilizar GAPandas para visualizar tus datos de Google Analytics