Fala upałów

Teraz skorzystasz z interfejsu Snowflake, aby przejrzeć bazę danych zaczynającą się od COURSE_41767 i wykonać na niej zapytania – tej bazy będziesz używać przez cały kurs.

Masz już za sobą pisanie zapytań w edytorze DataCamp, więc czas zastosować umiejętności związane z ROW_NUMBER bezpośrednio w interfejsie Snowflake.

Uwaga: Snowflake działa w wirtualnym środowisku Windows i przy pierwszym uruchomieniu może potrzebować chwili na załadowanie.

To ćwiczenie jest częścią kursu

Funkcje okna w Snowflake

Zobacz kurs

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

Funkcje okna w Snowflake

SkillTag.level.intermediateSkillTag.label

4.9+

529 reviews

Rozpocznij kurs za darmo

Otwórz się na nowe możliwości dzięki funkcjom okna w Snowflake! Zaczniesz od poznania różnicy między funkcjami okna a tradycyjnymi funkcjami. Następnie nauczysz się przypisywać numer wiersza i ranking każdemu rekordowi w zapytaniu. Gdy opanujesz podstawy, przejdziesz do klauzuli PARTITION BY, która nadaje funkcjom okna ich właściwy sens. Dowiesz się, jak znajdować i wykorzystywać pierwszą oraz ostatnią wartość w danym oknie, a na koniec rzucisz okiem na funkcje agregujące.

Exercise 1: Przypisywanie numerów wierszy Exercise 2: Budowanie funkcji okna Exercise 3: Dodawanie numerów wierszy do sesji ładowania Exercise 4: Fala upałów

Bieżące ćwiczenie

Exercise 5: Rankingowe funkcje okna Exercise 6: Czy to było szybkie ładowanie?Exercise 7: Porównywanie zużytej energii Exercise 8: Partycjonowanie danych w funkcji okna Exercise 9: Śledź pieniądze!Exercise 10: Analiza kosztów ładowania

Czas przyspieszyć! W tym rozdziale wyniesiesz funkcje rankingowe na wyższy poziom. Zaczniesz od wariantu funkcji RANK o nazwie DENSE_RANK, która w nieco inny sposób obsługuje remisy. Poznasz też bardziej rozbudowaną wersję funkcji z poprzedniego rozdziału – NTH_VALUE. Następnie utworzysz „kubełki" danych przy użyciu NTILE – narzędzia przydatniejszego, niż mogłoby się wydawać. Opanujesz też poręczną funkcję CUME_DIST, która pozwala znaleźć liczbę rekordów mniejszych lub równych danemu rekordowi w oknie. Rozdział zakończy się omówieniem jednego z najpotężniejszych zastosowań funkcji okna, jakie do tej pory zobaczysz – funkcji LAG i LEAD.

Exercise 1: Więcej funkcji rankingowych Exercise 2: Marketing odpowiednich pojazdów Exercise 3: Optymalizacja harmonogramu ładowania Exercise 4: Ustalanie minimalnego kosztu ładowania Exercise 5: NTILE i CUME_DIST Exercise 6: Badanie właścicieli pojazdów Exercise 7: Analiza czasu ładowania Exercise 8: Jak długo właściciele pojazdów jeżdżą między ładowaniami?Exercise 9: LAG i LEAD Exercise 10: Spojrzenie w przeszłość!Exercise 11: Monitorowanie efektywności ładowarek Exercise 12: Obciążenie stacji ładowania Lightning

Ten ostatni rozdział zaczniesz od funkcji agregujących: AVG, COUNT i SUM. Porównasz wyniki tych funkcji z poszczególnymi rekordami w oknie, a także wykonasz dodatkowe obliczenia. Następnie opanujesz jedno z najciekawszych zastosowań funkcji okna – obliczenia kumulacyjne i kroczące! Zaczniesz od wyznaczania średnich kroczących i sum bieżących dla różnych wskaźników dotyczących ładowania pojazdów elektrycznych. Na zakończenie kursu wygenerujesz sumy kroczące i średnie kroczące przy użyciu przesuwanego okna!

Exercise 1: Agregujące funkcje okna Exercise 2: Angażowanie właścicieli pojazdów za pomocą metryk Exercise 3: Wizualizacja czasu trwania i kosztu sesji ładowania Exercise 4: Kto zużywa najmniej energii?Exercise 5: Ramki okna Exercise 6: Czy czasy ładowania się wydłużają?Exercise 7: Identyfikowanie nieefektywnych ładowarek Exercise 8: Średnie kroczące i sumy kroczące Exercise 9: Ruchome a kroczące Exercise 10: Wpływ temperatury na szybkość ładowania Exercise 11: Wszystko razem!Exercise 12: Gratulacje!