Wie verbruikt het minst?

Je wilt het laadgedrag van individuele gebruikers beter begrijpen door de meest extreme uitschieters in laadtijd te identificeren. Idealiter segmenteer je je analyse per laadpunt om beter onderbouwde hypothesen te kunnen vormen. Hiervoor heb je volledige toegang tot de Snowflake-UI en de database die begint met COURSE_41767.

⚠️ Kun je geen database selecteren of krijg je een "table not found"-fout?

Gebruik het volledige pad van de tabel in je FROM-clausule. Haal dit uit het linkerpaneel: tabblad Databases → vouw je COURSE_…-database uit → selecteer de tabel → Copy name.

Deze oefening maakt deel uit van de cursus

Vensterfuncties in Snowflake

Bekijk cursus

Interactieve oefening met praktijkervaring

Zet theorie om in actie met een van onze interactieve oefeningen

Begin oefening

Deze oefening maakt deel uit van de cursus

Vensterfuncties in Snowflake

SkillTag.level.intermediateSkillTag.label

4.9+

573 reviews

Begin gratis met de cursus

Zet het venster open naar een wereld vol mogelijkheden met Snowflake-vensterfuncties! Je begint met het onderscheid tussen vensterfuncties en traditionele functies. Daarna leer je hoe je elk record in een query een rijnummer en rangorde geeft. Zodra je de basis beheerst, zet je het “venster” in vensterfuncties met PARTITION BY. Je ontdekt hoe je de eerste en laatste waarde van een venster vindt en gebruikt, en sluit af met een voorproefje van aggregatiefuncties.

Exercise 1: Volgnummers toekennen Exercise 2: Een windowfunctie opbouwen Exercise 3: Rijnummers toevoegen aan laadsessies Exercise 4: Mee surfen op de hittegolf Exercise 5: Rangschikkende windowfuncties Exercise 6: Was dat een snelle laadbeurt?Exercise 7: Verbruikte energie vergelijken Exercise 8: Data partitioneren in een windowfunctie Exercise 9: Volg het geld!Exercise 10: Dieper in de laadkosten duiken

Tijd om een tandje bij te schakelen! In dit hoofdstuk til je rangschikkingsfuncties naar een hoger niveau. Je begint met een variant van RANK, genaamd DENSE_RANK, die gelijke standen net even anders afhandelt. Je verkent ook een robuustere versie van de functies uit de vorige les met NTH_VALUE. Daarna maak je “buckets” van data met NTILE, wat nuttiger is dan je misschien denkt. Ook pak je een handig hulpmiddel op, CUME_DIST, om het aantal records te vinden dat kleiner is dan of gelijk aan een bepaald record binnen een venster. Je sluit het hoofdstuk af met een van de krachtigste toepassingen van vensterfuncties tot nu toe: LAG en LEAD.

Exercise 1: Meer rankingfuncties Exercise 2: De juiste voertuigen marketen Exercise 3: Laadplanning optimaliseren Exercise 4: Een minimale laadkost instellen Exercise 5: NTILE en CUME_DIST Exercise 6: Voertuigeigenaren ondervragen Exercise 7: Laadduur evalueren Exercise 8: Hoe lang wachten voertuigeigenaren tussen laadsessies?Exercise 9: LAG en LEAD Exercise 10: Een blik in het verleden!Exercise 11: Laadpaalefficiëntie behouden Exercise 12: Belasting van snelladers

Je begint dit laatste hoofdstuk met aggregatiefuncties zoals AVG, COUNT en SUM. Je vergelijkt de uitvoer van deze functies met individuele records binnen een venster en gebruikt die ook voor extra berekeningen. Daarna beheers je de meest spannende toepassing van vensterfuncties: lopende en voortschrijdende berekeningen! Je start met het berekenen van cumulatieve gemiddelden en totalen voor verschillende metrics rond het laden van elektrische voertuigen. Tot slot rond je de cursus af door voortschrijdende totalen en gemiddelden te genereren met een schuivend venster!

Exercise 1: Aggregatieve vensterfuncties Exercise 2: Rijders betrekken met statistieken Exercise 3: Laadduur en kosten van sessies visualiseren Exercise 4: Wie verbruikt het minst?

Huidige oefening

Exercise 5: Vensters (window frames)Exercise 6: Worden laadsessies langer?Exercise 7: Inefficiënte laadpalen identificeren Exercise 8: Voortschrijdende gemiddelden en totalen Exercise 9: Moving vs. running Exercise 10: Invloed van temperatuur op laadsnelheid Exercise 11: Alles samenbrengen!Exercise 12: Gefeliciteerd!