Otevři okno do světa plného možností se Snowflake window functions! Začneš tím, že si objasníš rozdíl mezi window functions a tradičními funkcemi. Pak se naučíš, jak každému záznamu v dotazu přiřadit číslo řádku nebo pořadí. Jakmile si základy pevně osvojíš, přijde na řadu to pravé – přidáš do window functions oddíly pomocí PARTITION BY. Prozkoumáš, jak najít a využít první a poslední hodnotu v daném okně, a kurz zakončíš prvním pohledem na agregační funkce.

Přiřazení čísel řádků

Sestavení window funkce

Přidání čísel řádků k nabíjecím relacím

Horká vlna

Rankingové okenní funkce

Bylo to rychlé nabíjení?

Porovnání spotřebované energie

Rozdělování dat v okenní funkci

Sleduj peníze!

Podrobnější pohled na náklady na nabíjení

Window Functions

Čas přidat plyn! V této kapitole posuneš řadící funkce na vyšší úroveň. Začneš variantou funkce RANK nazvanou DENSE_RANK, která řeší shody trochu jiným způsobem. Prozkoumáš také robustnější verzi funkcí z předchozí lekce pomocí NTH_VALUE. Pak vytvoříš „koše" dat pomocí NTILE, která je užitečnější, než by se mohlo zdát. Přidáš si do repertoáru šikovný nástroj CUME_DIST pro zjištění počtu záznamů menších nebo rovných danému záznamu v okně. Kapitolu zakončíš jedním z nejmocnějších využití window functions, které jsi zatím viděl/a – funkcemi LAG a LEAD.

Další rankingové funkce

Marketing správných vozidel

Optimalizace plánování nabíjení

Nastavení minimálních nákladů na nabíjení

NTILE a CUME_DIST

Průzkum mezi majiteli vozidel

Vyhodnocení doby nabíjení

Jak daleko ujíždějí majitelé vozidel mezi jednotlivými nabíjeními?

LAG a LEAD

Použití okenní funkce `LAG`

Pohled do minulosti!

Sledování efektivity nabíječek

Spotřeba energie při nabíjení

Řadící window functions

Tuto závěrečnou kapitolu zahájíš agregačními funkcemi jako AVG, COUNT a SUM. Porovnáš jejich výstup s jednotlivými záznamy v okně a využiješ je k dalším výpočtům. Poté zvládneš to nejzajímavější využití window functions – průběžné a klouzavé výpočty! Začneš výpočtem průběžných průměrů a součtů různých metrik pro nabíjení elektrických vozidel. Kurz pak zakončíš generováním klouzavých součtů a průměrů pomocí posuvného okna!

Agregační okenní funkce

Zapojení majitelů vozidel pomocí metrik

Vizualizace délky a ceny nabíjecích relací

Kdo spotřeboval nejméně?

Okenní rámce

Prodlužuje se doba nabíjení?

Identifikace neefektivních nabíječek

Klouzavé průměry a součty

Pohyblivý vs. průběžný výpočet

Vliv teploty na rychlost nabíjení

Vše dohromady!

Gratulujeme!

Agregační window functions

Odemkni celou sadu nových nástrojů díky síle window functions ve Snowflake! V tomto kurzu zvládneš vše potřebné k řešení úloh, jako je odhalování odlehlých hodnot v datech nebo výpočet klouzavých průměrů.

Nejdřív si ujasníš rozdíl mezi tradičními agregačními funkcemi a window functions. Pochopíš jejich anatomii tím, že každému záznamu ve Snowflake dotazu přiřadíš číslo řádku nebo pořadí. Jakmile budeš mít základy pevně v rukou, přidáš k window functions oddíly. Díky tomu budeš moct vytvářet seřazené skupiny záznamů a porovnávat po sobě jdoucí hodnoty.


Kurz zakončíš agregačními window functions a klouzavými průměry – dvěma z nejpraktičtějších způsobů využití window functions při zpracování a analýze dat. Až budeš hotov/a, budeš mít úplně novou sadu dovedností, která tvoje Snowflake dotazy posouvá na novou úroveň!

Data Manipulation in Snowflake

Objevte funkce oken Snowflake pro řešení složitých datových problémů s hodnocením a výpočty.

Window Functions ve Snowflake

Objevte funkce oken Snowflake pro řešení složitých datových problémů s pořadím, oddíly a průběžnými výpočty.

Asociovaný datový inženýr ve Snowflake

SELECT
    user_id,
    charging_station_id,
    charging_start_time,
    charging_duration,

	charging_duration - LAG(charging_rate, 1, 0) OVER(

		PARTITION BY charging_station_id
		ORDER BY charging_start_time

	) AS change_in_charging_duration  -- Alias for column using LAG

Pohled do minulosti!

Window Functions ve Snowflake

Interaktivní praktické cvičení