Wer verbraucht am wenigsten?

Du willst das individuelle Ladeverhalten besser verstehen, indem du einige der extremsten Ausreißer bei der Ladedauer identifizierst. Idealerweise segmentierst du deine Analyse nach Ladestation, um fundiertere Hypothesen zu entwickeln. Dafür hast du vollen Zugriff auf die Snowflake-UI und die Datenbank, beginnend mit COURSE_41767.

Diese Übung ist Teil des Kurses

<Kurs>Window Functions in Snowflake</Kurs>

Kurs ansehen

Interaktive praktische Übung

Verwandle Theorie mit einer unserer interaktiven Übungen in die Praxis

Übung starten

Diese Übung ist Teil des Kurses

<Kurs>Window Functions in Snowflake</Kurs>

Mittlere SchwierigkeitSchwierigkeitsgrad

4.9+

529 reviews

Kurs kostenlos starten

Öffne das Fenster zu einer Welt voller Möglichkeiten mit Window Functions in Snowflake! Du legst los, indem du Window Functions von herkömmlichen Funktionen abgrenzt. Danach lernst du, wie du jeder Zeile in einer Abfrage eine Zeilennummer und ein Ranking gibst. Wenn die Grundlagen sitzen, bringst du das „Window“ in die Window Functions, und zwar mit PARTITION BY. Du entdeckst, wie du den ersten und letzten Wert eines bestimmten Fensters findest und nutzt, bevor es mit einem Ausblick auf Aggregatfunktionen weitergeht.

Exercise 1: Zeilennummern zuweisen Exercise 2: Eine Window Function erstellen Exercise 3: Zeilennummern zu Ladesitzungen hinzufügen Exercise 4: Auf der Hitzewelle reiten Exercise 5: Ranking-Windowfunktionen Exercise 6: War das ein schneller Ladevorgang?Exercise 7: Vergleich des verbrauchten Stroms Exercise 8: Daten in einer Window-Funktion partitionieren Exercise 9: Folge dem Geld!Exercise 10: Ladekosten genauer unter die Lupe nehmen

Jetzt wird’s ernst! In diesem Kapitel hebst du Ranking-Funktionen auf das nächste Level. Du startest mit einer Variante von RANK, genannt DENSE_RANK, die Gleichstände etwas anders behandelt. Außerdem lernst du eine robustere Version der Funktionen aus der vorherigen Lektion mit NTH_VALUE kennen. Als Nächstes erstellst du „Buckets“ von Daten mit NTILE – nützlicher, als du vielleicht denkst. Zusätzlich lernst du ein praktisches Tool namens CUME_DIST, um die Anzahl der Datensätze zu finden, die in einem Fenster kleiner oder gleich einem bestimmten Datensatz sind. Den Abschluss bildet eine der stärksten Anwendungen von Window Functions bisher: LAG und LEAD.

Exercise 1: Weitere Ranking-Funktionen Exercise 2: Die richtigen Fahrzeuge vermarkten Exercise 3: Optimierung der Ladeplanung Exercise 4: Einen minimalen Ladekostenbetrag festlegen Exercise 5: NTILE und CUME_DIST Exercise 6: Fahrzeughalter:innen befragen Exercise 7: Ladedauer bewerten Exercise 8: Wie lange fahren Fahrzeughalter:innen zwischen zwei Ladevorgängen?Exercise 9: LAG und LEAD Exercise 10: Ein Blick in die Vergangenheit!Exercise 11: Ladeeffizienz erhalten Exercise 12: Belastung von Schnellladegeräten

In diesem letzten Kapitel startest du mit Aggregatfunktionen wie AVG, COUNT und SUM. Du vergleichst die Ausgaben dieser Funktionen mit einzelnen Datensätzen in einem Fenster und führst darauf aufbauend weitere Berechnungen durch. Danach meisterst du die spannendste Anwendung von Window Functions: laufende und gleitende Berechnungen! Du beginnst mit der Berechnung laufender Durchschnitte und Summen für verschiedene Kennzahlen zum Laden von Elektrofahrzeugen. Zum Schluss beendest du den Kurs, indem du mit einem gleitenden Fenster bewegliche Summen und Durchschnitte erzeugst!

Exercise 1: Aggregierte Fensterfunktionen Exercise 2: Fahrzeughalter:innen mit Kennzahlen abholen Exercise 3: Dauer und Kosten von Ladevorgängen visualisieren Exercise 4: Wer verbraucht am wenigsten?

Aktuelle Übung

Exercise 5: Fensterrahmen Exercise 6: Werden die Ladezeiten länger?Exercise 7: Ineffiziente Ladegeräte identifizieren Exercise 8: Gleitende Durchschnitte und Summen Exercise 9: Moving vs. Running Exercise 10: Einfluss der Temperatur auf die Ladeleistung Exercise 11: Alles zusammenführen!Exercise 12: Glückwunsch!