Öppna fönstret mot en värld av möjligheter med Snowflakes fönsterfunktioner! Du börjar med att se skillnaden mellan fönsterfunktioner och traditionella funktioner. Sedan lär du dig att tilldela radnummer och rankningar till varje post i en fråga. När du har lärt dig grunderna introduceras fönstret i fönsterfunktioner med hjälp av PARTITION BY. Du utforskar hur du hittar och använder det första och sista värdet i ett visst fönster, innan kapitlet avslutas med en försmak av aggregeringsfunktioner.

Tilldela radnummer

Bygga en fönsterfunktion

Lägga till radnummer för laddningssessioner

Rida på värmeböljan

Rankningsfunktioner för fönster

Var det en snabbladdning?

Jämföra förbrukad energi

Partitionera data i en fönsterfunktion

Följ pengarna!

Utforska laddningskostnader

Fönsterfunktioner

Dags att ta det ett steg längre! I det här kapitlet fördjupar du dig i rankningsfunktioner. Du börjar med en variant av RANK som heter DENSE_RANK, vilken hanterar oavgjorda resultat på ett lite annorlunda sätt. Du utforskar också en mer kraftfull version av de funktioner du såg i föregående lektion med hjälp av NTH_VALUE. Därefter skapar du "hinkar" av data med NTILE – ett mer användbart verktyg än man kan tro. Du lär dig även ett smidigt verktyg kallat CUME_DIST för att hitta antalet poster som är mindre än eller lika med en viss post i ett fönster. Kapitlet avslutas med en av de mest kraftfulla tillämpningarna av fönsterfunktioner hittills: LAG och LEAD.

Fler rankningsfunktioner

Marknadsföring av rätt fordon

Optimera laddningsschemaläggning

Ange en minsta laddningskostnad

NTILE och CUME_DIST

Undersökning av fordonsägare

Utvärdera laddningstid

Hur länge är det mellan laddningarna för fordonsägarna?

LAG och LEAD

En titt bakåt i tiden!

Hålla laddningseffektiviteten i schack

Energiförbrukning vid nästa laddning

Rankande fönsterfunktioner

Det avslutande kapitlet börjar med aggregeringsfunktioner som AVG, COUNT och SUM. Du jämför resultatet från dessa funktioner med enskilda poster i ett fönster och använder dem för ytterligare beräkningar. Sedan lär du dig den mest spännande tillämpningen av fönsterfunktioner: löpande och rullande beräkningar! Du börjar med att beräkna löpande medelvärden och summor för olika mätvärden inom elbilsladdning. Slutligen avslutar du kursen med att generera rullande summor och medelvärden med ett glidande fönster!

Aggregerade fönsterfunktioner

Engagera fordonsägare med nyckeltal

Visualisera laddningssessionernas längd och kostnad

Vem förbrukar minst?

Fönsterramar

Blir laddningstiderna längre?

Identifiera ineffektiva laddare

Rörliga medelvärden och totalsummor

Glidande vs. rullande

Temperaturens påverkan på laddningshastighet

Sätt ihop allt!

Grattis!

Utöka din verktygslåda med kraften hos Snowflakes fönsterfunktioner! I den här kursen lär du dig de verktyg som behövs för att lösa problem som att identifiera avvikare i dina data och beräkna glidande medelvärden.

Först får du se skillnaden mellan traditionella aggregeringsfunktioner och fönsterfunktioner. Du lär dig anatomin hos en fönsterfunktion genom att tilldela radnummer och rankningar till alla poster i en Snowflake-fråga. När du har fått en stabil grund kombinerar du fönsterfunktioner med partitioner. Det ger dig möjlighet att skapa ordnade grupper av poster och jämföra sekventiella värden.


Kursen avslutas med aggregerade fönsterfunktioner och rullande medelvärden – två av de mest användbara tillämpningarna av fönsterfunktioner för att bearbeta och analysera data. När allt är klart har du en helt ny kompetens som lyfter dina Snowflake-frågor till nästa nivå!

Data Manipulation in Snowflake

Utforska Snowflake-fönsterfunktioner för att lösa komplexa dataproblem med rankning och partitioner.

Fönsterfunktioner i Snowflake

Discover Snowflake window functions to solve complex data problems with rankings, partitions, and rolling calculations.

Associate Data Engineer i Snowflake

Glidande vs. rullande

Fönsterfunktioner i Snowflake

Interaktiv övning med praktiskt arbete