Créer une fonction de fenêtre

Les fonctions de fenêtre peuvent être déroutantes, mais vous familiariser avec la syntaxe de base vous aidera à être plus à l'aise lorsque vous commencerez à créer des requêtes plus complexes.

Cette activité fait partie du cours

Fonctions de fenêtre dans Snowflake

Voir le cours

Exercice interactif pratique

Passez de la théorie à l’action grâce à l’un de nos exercices interactifs

Commencer l’exercice

Cette activité fait partie du cours

Fonctions de fenêtre dans Snowflake

SkillTag.level.intermediateSkillTag.label

4.9+

596 reviews

Commencer le cours gratuitement

Ouvrez la porte à tout un monde de possibilités avec les fonctions de fenêtre de Snowflake ! Vous amorcerez le tout en distinguant les fonctions de fenêtre des fonctions traditionnelles. Ensuite, vous apprendrez à attribuer un numéro de ligne et un rang à chaque enregistrement d'une requête. Une fois les bases acquises, vous mettrez le « fenêtre » dans fonctions de fenêtre en utilisant PARTITION BY. Vous verrez comment trouver et utiliser la première et la dernière valeur d'une fenêtre donnée, avant de conclure avec un aperçu des fonctions d'agrégation.

Exercise 1: Attribuer des numéros de ligne Exercise 2: Créer une fonction de fenêtre

Exercice en cours

Exercise 3: Ajouter des numéros de ligne aux sessions de recharge Exercise 4: Vague de chaleur Exercise 5: Fonctions de fenêtrage pour le classement Exercise 6: Était-ce une recharge rapide?Exercise 7: Comparer l'énergie consommée Exercise 8: Partitionner les données dans une fonction de fenêtrage Exercise 9: Suivez l'argent !Exercise 10: Analyser les coûts de recharge

On monte d'un cran ! Dans ce chapitre, vous pousserez plus loin les fonctions de classement. Vous commencerez avec une variante de RANK, appelée DENSE_RANK, qui gère les ex æquo d'une façon un peu différente. Vous explorerez aussi une version plus robuste des fonctions vues à la leçon précédente grâce à NTH_VALUE. Ensuite, vous créerez des « groupes » de données avec NTILE, plus utile qu'on ne le croit. Vous ajouterez aussi un petit outil fort pratique, CUME_DIST, pour trouver le nombre d'enregistrements inférieurs ou égaux à un enregistrement donné dans une fenêtre. Vous conclurez le chapitre avec l'une des applications les plus puissantes des fonctions de fenêtre vues jusqu'ici : LAG et LEAD.

Exercise 1: Autres fonctions de classement Exercise 2: Cibler les bons véhicules pour le marketing Exercise 3: Optimiser la planification de recharge Exercise 4: Définir un coût minimal de recharge Exercise 5: NTILE et CUME_DIST Exercise 6: Sonder les propriétaires de véhicules Exercise 7: Évaluer la durée de recharge Exercise 8: À quelle fréquence les propriétaires rechargent-ils leur véhicule?Exercise 9: LAG et LEAD Exercise 10: Regarder dans le passé!Exercise 11: Maintenir l'efficacité des bornes de recharge Exercise 12: Chargeur Lightning — charge de travail

Vous commencerez ce dernier chapitre avec des fonctions d'agrégation comme AVG, COUNT et SUM. Vous comparerez le résultat de ces fonctions aux enregistrements individuels d'une fenêtre, ainsi que pour effectuer des calculs supplémentaires. Ensuite, vous maîtriserez l'application la plus stimulante des fonctions de fenêtre : les calculs cumulatifs et mobiles ! Vous commencerez par calculer des moyennes et des totaux cumulatifs pour différentes mesures liées à la recharge de véhicules électriques. Enfin, vous clôturerez le cours en générant des totaux et des moyennes mobiles avec une fenêtre glissante !

Exercise 1: Fonctions de fenêtrage avec agrégation Exercise 2: Mobiliser les propriétaires de véhicules avec des indicateurs Exercise 3: Visualiser la durée et le coût des sessions de recharge Exercise 4: Qui consomme le moins ?Exercise 5: Cadres de fenêtre Exercise 6: Les durées de recharge s'allongent-elles?Exercise 7: Repérer les bornes moins efficaces Exercise 8: Moyennes mobiles et totaux Exercise 9: Mobile vs. cumulatif Exercise 10: Impact de la température sur le débit de recharge Exercise 11: On met tout ensemble!Exercise 12: Félicitations !