Siapa yang mengonsumsi paling sedikit?

Anda ingin lebih memahami perilaku pengisian daya individu dengan mengidentifikasi pencilan paling ekstrem dalam durasi pengisian. Idealnya, Anda ingin membagi analisis berdasarkan stasiun pengisian untuk menyusun hipotesis yang lebih tepat. Untuk melakukan ini, Anda memiliki akses penuh ke Snowflake UI dan basis data yang dimulai dengan COURSE_41767.

Latihan ini merupakan bagian dari kursus

Fungsi Window di Snowflake

Lihat Kursus

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Mulai latihan

Latihan ini merupakan bagian dari kursus

Fungsi Window di Snowflake

SkillTag.level.intermediateSkillTag.label

4.9+

485 reviews

Mulai Kursus Gratis

Buka jendela menuju berbagai kemungkinan dengan fungsi window di Snowflake! Anda akan mulai dengan membedakan fungsi window dari fungsi tradisional. Lalu, Anda akan belajar cara memberikan nomor baris dan peringkat untuk setiap rekaman dalam sebuah kueri. Setelah menguasai dasar-dasarnya, Anda akan menambahkan “window” pada fungsi window dengan menggunakan PARTITION BY. Anda akan mempelajari cara menemukan dan menggunakan nilai pertama dan terakhir dari suatu window sebelum menutup dengan cuplikan fungsi agregasi.

Exercise 1: Memberikan nomor baris Exercise 2: Membangun window function Exercise 3: Menambahkan nomor baris ke sesi pengisian daya Exercise 4: Menyusuri gelombang panas Exercise 5: Fungsi jendela untuk pemeringkatan Exercise 6: Apakah itu pengisian cepat?Exercise 7: Membandingkan energi yang dikonsumsi Exercise 8: Mempartisi data dalam fungsi window Exercise 9: Ikuti aliran uang!Exercise 10: Menyelami biaya pengisian daya

Saatnya naik tingkat! Pada bab ini, Anda akan membawa fungsi peringkat ke level berikutnya. Anda akan mulai dengan varian RANK bernama DENSE_RANK, yang menangani nilai seri dengan cara yang sedikit berbeda. Anda juga akan mengeksplorasi versi yang lebih tangguh dari fungsi yang Anda lihat pada pelajaran sebelumnya menggunakan NTH_VALUE. Selanjutnya, Anda akan membuat “bucket” data menggunakan NTILE, yang lebih berguna daripada yang Anda kira. Anda juga akan mempelajari alat praktis bernama CUME_DIST untuk menemukan jumlah rekaman yang kurang dari atau sama dengan rekaman tertentu dalam sebuah window. Anda akan menutup bab dengan salah satu penerapan fungsi window yang paling kuat sejauh ini: LAG dan LEAD.

Exercise 1: Fungsi Peringkat Lanjutan Exercise 2: Memasarkan kendaraan yang tepat Exercise 3: Mengoptimalkan penjadwalan pengisian daya Exercise 4: Menetapkan biaya pengisian minimum Exercise 5: NTILE dan CUME_DIST Exercise 6: Mensurvei pemilik kendaraan Exercise 7: Mengevaluasi durasi pengisian daya Exercise 8: Seberapa lama pemilik kendaraan jeda antar pengisian daya?Exercise 9: LAG dan LEAD Exercise 10: Melihat ke masa lalu!Exercise 11: Menjaga efisiensi pengisi daya Exercise 12: Beban pengisi daya cepat

Anda akan memulai bab terakhir ini dengan fungsi agregasi seperti AVG, COUNT, dan SUM. Anda akan membandingkan keluaran fungsi-fungsi ini dengan rekaman individual dalam sebuah window, serta melakukan perhitungan tambahan. Setelah itu, Anda akan menguasai penerapan fungsi window yang paling menarik: perhitungan berjalan dan bergerak! Anda akan mulai dengan menghitung rata-rata berjalan dan total untuk berbagai metrik pengisian daya kendaraan listrik. Terakhir, Anda akan menutup kursus dengan menghasilkan total dan rata-rata bergerak menggunakan window geser!

Exercise 1: Fungsi jendela agregat Exercise 2: Melibatkan pemilik kendaraan dengan metrik Exercise 3: Memvisualisasikan durasi dan biaya sesi pengisian daya Exercise 4: Siapa yang mengonsumsi paling sedikit?

Latihan Saat Ini

Exercise 5: Window frame Exercise 6: Apakah durasi pengisian makin lama?Exercise 7: Mengidentifikasi pengisi daya yang tidak efisien Exercise 8: Rata-Rata dan Total Bergerak Exercise 9: Moving vs. running Exercise 10: Dampak suhu terhadap laju pengisian daya Exercise 11: Menggabungkan semuanya!Exercise 12: Selamat!