Surf mee op de hittegolf

Nu ga je de Snowflake-interface gebruiken om de database te verkennen en bevragen die begint met COURSE_41767 en waar je in deze cursus mee werkt.

Je hebt queries geschreven in de DataCamp-editor, en nu pas je je ROW_NUMBER-skills direct toe in de interface van Snowflake.

Opmerking: onze Snowflake draait in een virtuele Windows-omgeving en kan in het begin enkele seconden nodig hebben om te laden.

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+

486 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: Surf mee op de hittegolf

Huidige oefening

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 voertuigbezitters tussen laadbeurten?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?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!