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.

Volgnummers toekennen

Een windowfunctie opbouwen

Rijnummers toevoegen aan laadsessies

Surf mee op de hittegolf

Rangschikkende windowfuncties

Was dat een snelle laadbeurt?

Verbruikte energie vergelijken

Data partitioneren in een windowfunctie

Volg het geld!

Dieper in de laadkosten duiken

Vensterfuncties

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.

Meer rankingfuncties

De juiste voertuigen marketen

Laadplanning optimaliseren

Een minimale laadkost instellen

NTILE en CUME_DIST

Voertuigeigenaren ondervragen

Laadduur evalueren

Hoe lang wachten voertuigbezitters tussen laadbeurten?

LAG en LEAD

De vensterfunctie `LAG` gebruiken

Een blik in het verleden!

Laadpaalefficiëntie behouden

Belasting van snelladers

Rangschikkende vensterfuncties

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!

Aggregatieve vensterfuncties

Rijders betrekken met statistieken

Laadduur en kosten van sessies visualiseren

Wie verbruikt het minst?

Vensters (window frames)

Worden laadsessies langer?

Inefficiënte laadpalen identificeren

Voortschrijdende gemiddelden en totalen

Moving vs. running

Invloed van temperatuur op laadsnelheid

Alles samenbrengen!

Gefeliciteerd!

Aggregatie-vensterfuncties

Ontgrendel een heleboel nieuwe manieren om problemen op te lossen met de kracht van Snowflake-vensterfuncties! In deze cursus beheers je de tools die je nodig hebt om problemen op te lossen, zoals het identificeren van uitschieters in je gegevens en het berekenen van voortschrijdende gemiddelden.

Eerst maak je het verschil duidelijk tussen traditionele aggregatiefuncties en vensterfuncties. Je leert stap voor stap de anatomie van een vensterfunctie door rijnummers en rangordes toe te kennen aan alle records in een Snowflake-query. Zodra je de basis onder de knie hebt, combineer je deze vensterfuncties met partities. Zo kun je geordende groepen records maken en opeenvolgende waarden vergelijken.

Je rondt de cursus af met aggregatie-vensterfuncties en rollende gemiddelden; twee van de handigste toepassingen van vensterfuncties voor het opschonen en analyseren van data. Als alles gezegd en gedaan is, heb je een compleet nieuwe vaardigheidset die je Snowflake-queries een flinke boost geeft!

Data Manipulation in Snowflake

Ontdek Snowflake-vensterfuncties voor complexe data-uitdagingen met rangschikkingen en berekeningen.

Vensterfuncties in Snowflake

Ontdek Snowflake-vensterfuncties om lastige dataproblemen op te lossen met ranglijsten, partities en doorlopende berekeningen.

Associate Data Engineer in Snowflake

SELECT
    user_id,
    charging_station_id,
    charging_start_time,
    charging_duration,

	charging_duration - LAG(charging_rate, 1, 0) OVER(

		PARTITION BY charging_station_id
		ORDER BY charging_start_time

	) AS change_in_charging_duration  -- Alias for column using LAG

Een blik in het verleden!

Vensterfuncties in Snowflake

Interactieve oefening met praktijkervaring