In diesem Kapitel lernst du Datums- und Zeitdatentypen kennen. Du erfährst, wie du Text- und numerische Daten in Datums- und Zeitformate umwandelst – und auch, wie es in die andere Richtung geht!

Einführung in Datums- und Zeitdatentypen

PostgreSQL-Datentypen

time in Tabelle INSERTen

Mit Zeitzoneninformationen arbeiten

Finde die Zeitzonen

In eine andere Zeitzone umwandeln

Zwischen Datum, Uhrzeit und Text konvertieren

Datumsangaben casten

Datumsangaben umwandeln

Datum und Uhrzeiten konvertieren

Einführung in Datums- und Zeitdaten in PostgreSQL

Jetzt wird’s detailliert. In diesem Kapitel lernst du, wie du die Granularität deiner Zeitreihenberichte einstellst. Anschließend übst du das Addieren, Subtrahieren und Aggregieren und entdeckst, wie du Zeitreihendaten analysierst.

Die Granularität von Zeitreihen-Daten anpassen

Temperaturen nach Jahrhundert

Geschäftigste Stunde des Tages

Datum- und Zeitdaten addieren und subtrahieren

Berechne das Alter

Ankunftszeit in Minuten berechnen

Intervalle berechnen

Zeitreihendaten aggregieren

Anzahl der Daten pro Zeitreihe zählen

Temperaturdaten aggregieren

Jährliche Durchschnittstemperatur berechnen

Statistische Aggregatsfunktionen auf Zeitreihendaten anwenden

Monatliche Temperaturschwankungen berechnen

Datenverteilung analysieren

Analyse von Sensordaten

Arbeiten mit Zeitreihen

In diesem Kapitel arbeitest du mit Fensterfunktionen. Du lernst zunächst Partitionen und Partitionierung kennen und wie sie mit Fensterfunktionen zusammenspielen. So kannst du die Top-Elemente finden, wenn du deine Daten rankst.

Partitionierung und Fensterfunktionen

Partitionierte Tabelle

Partition by

Top-Elemente mit Fensterfunktionen

Finde die drei höchsten Werte pro Partition

Aktivste Stunden des Tages pro Nachrichtenartikel

Rangfunktionen

Kälte-Ranking

Hitze-Ranking

Temperatur-Perzentil

Fensterfunktionen zur Analyse von Zeitreihendaten nutzen

Im letzten Kapitel hebst du deine Skills aufs nächste Level, indem du laufende Summen, laufende Mittelwerte und sogar gleitende Mittelwerte berechnest, um deine Zeitreihenanalyse zu verbessern.

Laufende Summe

Nächster Bahnhof

Einen laufenden Gesamtwert berechnen

Laufende Summe mit LAG

Laufender Durchschnitt

Einfache gleitende Durchschnittsberechnung

Mehrfache gleitende Durchschnittswerte

Gleitender Durchschnitt

Trendende Nachrichten erkennen

Laufender Durchschnitt und gleitender Durchschnitt der Jahrestemperatur

Abschluss

Laufende Summen und gleitende Mittelwerte berechnen

In diesem Kurs lernst du, wie du PostgreSQL nutzt, um mit Datums- und Zeitangaben zu arbeiten. Du erfährst, welche Funktionen und Aufrufe dir helfen, diese Daten zu parsen und zu bearbeiten, Berechnungen durchzuführen und Fensterfunktionen zu verwenden. Du wendest die Techniken auf reale Daten an, um Temperaturen zu analysieren, Zugfahrpläne zu betrachten und nachzuvollziehen, wie sich die Popularität von Nachrichtenartikeln im Zeitverlauf verändert.

Dieser Kurs zeigt dir, wie du PostgreSQL nutzen kannst, um Datums- und Zeitdaten zu verarbeiten. Sie lernen Funktionen und Aufrufe kennen, mit denen Sie diese Daten analysieren und bearbeiten, Berechnungen durchführen und Window Functions verwenden können.
<br><br>
Mit Zeitreihendaten arbeiten<h2></h2>
<br><br>
Du lernst verschiedene Datums- und Zeitdatentypen kennen und erfährst, wie du zwischen ihnen konvertierst, ihre Granularität anpasst und Berechnungen durchführst, einschließlich Aggregationen, Partitionierung und gleitender Durchschnitte. Diese Erkenntnisse helfen Ihnen dabei, bestehenden Zeitreihendaten mehr Wert zu verleihen.
<br><br>
<h2>Wende Zeitreihenanalyse auf reale Daten an</h2>
<br><br>
Du wendest diese Techniken auf reale Daten an, um Temperaturen zu analysieren, Zugfahrpläne zu betrachten und zu untersuchen, wie sich die Popularität von Nachrichtenartikeln im Laufe der Zeit verändern kann.

Joining Data in SQL

Lernen Sie, PostgreSQL für Zeitreihenanalysen effektiv zu nutzen und auf echte Daten anzuwenden.

Zeitreihenanalyse in PostgreSQL

Lerne, PostgreSQL für die effektive Zeitreihenanalyse zu nutzen und diese Techniken auf reale Daten anzuwenden.

CREATE TABLE new_stock_data_y2023m1 PARTITION OF new_stock_data

FOR VALUES FROM ('2023-01-01') to ('2023-01-31');

Partitionierte Tabelle

Interaktive praktische Übung