在BigQuery中，频繁更新部分数据可能会导致性能问题，因为BigQuery是一种针对大规模数据分析的服务，更适合用于批量导入和查询数据，而不是频繁更新数据。然而，如果只是更新少量数据，可以使用以下解决方法：

1. 使用批量导入：将更新的数据以批量方式导入到BigQuery表中。可以使用BigQuery的数据导入功能，如bq load命令行工具或BigQuery API的jobs.insert方法。这种方法适用于每次更新的数据量较大的情况。

2. 使用事务：如果需要频繁地更新数据，可以使用BigQuery的事务功能。通过在事务中批量更新数据，可以减少对表的多次读取和写入操作，提高性能。以下是一个使用BigQuery事务的Python代码示例：

from google.cloud import bigquery

# 创建BigQuery客户端
client = bigquery.Client()

# 开始事务
transaction = client.begin()

try:
    # 更新部分数据的SQL语句
    sql = """
        UPDATE `project.dataset.table`
        SET column1 = 'new value'
        WHERE condition = 'some condition'
    """

    # 执行SQL语句
    client.query(sql, transaction=transaction)

    # 提交事务
    transaction.commit()

except Exception as e:
    # 发生异常时回滚事务
    transaction.rollback()
    print('Transaction rolled back:', e)

在以上代码示例中，首先创建了BigQuery的客户端对象，然后开始一个事务。接下来，执行更新部分数据的SQL语句，并指定使用事务。最后，如果没有发生异常，提交事务；如果发生异常，回滚事务。

需要注意的是，虽然使用事务可以减少对表的多次读取和写入操作，但仍然需要谨慎使用，以避免性能问题。如果更新数据的频率非常高，可能需要考虑其他更适合实时更新的数据存储解决方案。