Open the window to a world of possibilities with Snowflake window functions! You'll get the ball rolling by differentiating window functions from traditional functions.  Then, you'll learn how to provide a row number and ranking for each record in a query. Once you've nailed down the basics, you'll put the "window" in window functions, using PARTITION BY. You'll explore how to find and use the first and last value of a certain window before wrapping up with a sneak peek into aggregation functions.

Assigning row numbers

Building a window function

Adding row numbers to charging sessions

Riding the heat wave

Ranking window functions

Was that a fast charge?

Comparing energy consumed

Partitioning data in a window function

Follow the money!

Digging into charging costs

Window Functions

Time to crank it up! In this chapter, you’ll take ranking functions to the next level. You’ll start with a variant of RANK, called DENSE_RANK, which handles ties in a bit of a different way. You’ll also explore a more robust version of the functions you saw in the previous lesson using NTH_VALUE. Next, you’ll create “buckets” of data using NTILE, which is more useful than you may think. You’ll also pick up a nifty little tool called CUME_DIST to find the number of records less than or equal to a certain record in a window. You’ll wrap up the chapter with one of the most powerful applications of window functions you’ve seen so far; LAG and 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

Ranking Window Functions

You’ll start this final chapter with aggregation functions like AVG, COUNT, and SUM. You’ll compare the output of these functions to individual records in a  window, as well as to perform additional calculations. After this, you’ll master the most exciting application of window functions; running and moving calculations! You’ll start by calculating running averages and totals for different metrics for electric vehicle charging. Finally, you’ll wrap up the course by generating moving totals and averages with a sliding window!

Aggregate window functions

Engaging vehicle owners with metrics

Visualizing charging session duration and cost

Who's consuming the least?

Window frames

Are charging durations getting longer?

Identifying inefficient chargers

Moving Averages and Totals

Moving vs. running

Impact of temperature on charging rate

Putting it all together!

Congratulations!

Aggregate Window Functions

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

Praktische interactieve oefening