fn_registry/python/functions/bigquery/bq_create_table.md

name, kind, lang, domain, version, purity, signature, description, tags, uses_functions, uses_types, returns, returns_optional, error_type, imports, params, output, tested, tests, test_file_path, file_path

name	kind	lang	domain	version	purity	signature	description	tags	uses_functions	uses_types	returns	returns_optional	error_type	imports	params	output	tested	tests	test_file_path	file_path
bq_create_table	function	py	infra	1.0.0	impure	def bq_create_table(client: BQClient, dataset_id: str, table_id: str, schema: list[dict], partitioning: dict | None = None, clustering: list[str] | None = None, description: str = '', labels: dict | None = None) -> dict	Crea una tabla en BigQuery con schema, particionamiento opcional y clustering. Usa client._client.create_table() del SDK oficial.	bigquery gcp table create google-cloud python pendiente-usar				false	error_go_core	google-cloud-bigquery	name desc client cliente autenticado BQClient obtenido con bq_auth name desc dataset_id ID del dataset de BigQuery donde crear la tabla name desc table_id nombre (ID) de la tabla a crear name desc schema lista de dicts con definicion de columnas: [{name, type, mode, description}]. Tipos: STRING, INTEGER, FLOAT, BOOLEAN, DATE, TIMESTAMP, RECORD, etc. name desc partitioning dict opcional con tipo y campo de particion: {type: DAY|MONTH|YEAR|HOUR, field: nombre_col}. None = sin particion name desc clustering lista de hasta 4 columnas para clustering (ordenacion fisica). None = sin clustering name desc description descripcion legible de la tabla (vacio = sin descripcion) name desc labels etiquetas clave-valor para la tabla, ej: {env: prod, team: data}	dict con metadata de la tabla creada: table_id, dataset_id, project, full_id, schema, num_rows, num_bytes, created, modified, type, partitioning, clustering, description, labels	false			python/functions/bigquery/tables.py

Ejemplo

from bigquery import bq_auth, bq_create_table

client = bq_auth("mi-proyecto")

tabla = bq_create_table(
    client,
    dataset_id="ventas_ds",
    table_id="transacciones",
    schema=[
        {"name": "id", "type": "INTEGER", "mode": "REQUIRED", "description": "ID unico"},
        {"name": "fecha", "type": "DATE", "mode": "NULLABLE", "description": "Fecha de la transaccion"},
        {"name": "monto", "type": "FLOAT", "mode": "NULLABLE", "description": "Monto en USD"},
        {"name": "pais", "type": "STRING", "mode": "NULLABLE", "description": "Codigo de pais"},
    ],
    partitioning={"type": "MONTH", "field": "fecha"},
    clustering=["pais"],
    description="Transacciones de ventas por mes",
    labels={"env": "prod", "team": "data"},
)
print(tabla["full_id"])

Notas

El schema se convierte internamente de dicts a objetos bigquery.SchemaField. El particionamiento TIME soporta DAY, MONTH, YEAR y HOUR sobre columnas DATE/DATETIME/TIMESTAMP. Si field se omite en partitioning, BigQuery usa la pseudo-columna _PARTITIONTIME. El clustering requiere que las columnas existan en el schema y mejora rendimiento en filtros frecuentes.