Jak daleko ujíždějí majitelé vozidel mezi jednotlivými nabíjeními?

Je užitečné vědět, jak daleko majitelé vozidel ujedou mezi jednotlivými nabíjecími sezeními. Sloupec distance_driven slouží jako dobrý ukazatel – větší vzdálenosti obvykle znamenají delší intervaly mezi nabíjeními. Tyto informace pomáhají finančnímu týmu odhadovat příjmy a provoznímu týmu správně rozmísťovat nabíjecí stanice. Tvým úkolem je rozdělit majitele vozidel do skupin (bucketů), aby bylo snazší tyto vzorce analyzovat.

Budeš pracovat se schématem ELECTRIC_VEHICLES v databázi, jejíž název začíná COURSE_41767.

Toto cvičení je součástí kurzu

Window Functions ve Snowflake

Zobrazit kurz

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Window Functions ve Snowflake

SkillTag.level.intermediateSkillTag.label

4.9+

529 reviews

Začněte kurz zdarma

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.

Exercise 1: Přiřazení čísel řádků Exercise 2: Sestavení window funkce Exercise 3: Přidání čísel řádků k nabíjecím relacím Exercise 4: Horká vlna Exercise 5: Rankingové okenní funkce Exercise 6: Bylo to rychlé nabíjení?Exercise 7: Porovnání spotřebované energie Exercise 8: Rozdělování dat v okenní funkci Exercise 9: Sleduj peníze!Exercise 10: Podrobnější pohled na náklady na nabíjení

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.

Exercise 1: Další rankingové funkce Exercise 2: Marketing správných vozidel Exercise 3: Optimalizace plánování nabíjení Exercise 4: Nastavení minimálních nákladů na nabíjení Exercise 5: NTILE a CUME_DIST Exercise 6: Průzkum mezi majiteli vozidel Exercise 7: Vyhodnocení doby nabíjení Exercise 8: Jak daleko ujíždějí majitelé vozidel mezi jednotlivými nabíjeními?

Aktuální cvičení

Exercise 9: LAG a LEAD Exercise 10: Pohled do minulosti!Exercise 11: Sledování efektivity nabíječek Exercise 12: Spotřeba energie při nabíjení

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!

Exercise 1: Agregační okenní funkce Exercise 2: Zapojení majitelů vozidel pomocí metrik Exercise 3: Vizualizace délky a ceny nabíjecích relací Exercise 4: Kdo spotřeboval nejméně?Exercise 5: Okenní rámce Exercise 6: Prodlužuje se doba nabíjení?Exercise 7: Identifikace neefektivních nabíječek Exercise 8: Klouzavé průměry a součty Exercise 9: Pohyblivý vs. průběžný výpočet Exercise 10: Vliv teploty na rychlost nabíjení Exercise 11: Vše dohromady!Exercise 12: Gratulujeme!