Lướt trên làn sóng nhiệt

Bây giờ bạn sẽ dùng giao diện Snowflake để khám phá và truy vấn cơ sở dữ liệu bắt đầu bằng COURSE_41767 mà bạn sẽ làm việc trong khóa học này.

Bạn đã luyện viết truy vấn trong trình soạn thảo của DataCamp, và giờ sẽ áp dụng kỹ năng ROW_NUMBER trực tiếp trong giao diện của Snowflake.

Lưu ý: Snowflake của chúng tôi chạy trong môi trường Windows ảo và có thể mất vài giây để tải lúc ban đầu.

Bài tập này là một phần của khóa học

Window Functions trong Snowflake

Xem khóa học

Bài tập tương tác thực hành

Biến lý thuyết thành hành động với một trong các bài tập tương tác của chúng tôi

Bắt đầu bài tập

Bài tập này là một phần của khóa học

Window Functions trong Snowflake

SkillTag.level.intermediateSkillTag.label

4.9+

532 reviews

Bắt đầu khóa học miễn phí

Mở cánh cửa đến vô vàn khả năng với window functions trong Snowflake! Bạn sẽ khởi động bằng cách phân biệt window functions với các hàm truyền thống. Sau đó, bạn sẽ học cách gán số thứ tự hàng và xếp hạng cho mỗi bản ghi trong một truy vấn. Khi đã nắm vững nền tảng, bạn sẽ đặt "cửa sổ" vào window functions bằng cách dùng PARTITION BY. Bạn sẽ khám phá cách tìm và sử dụng giá trị đầu tiên và cuối cùng trong một cửa sổ nhất định trước khi kết lại bằng phần giới thiệu nhanh về các hàm tổng hợp.

Exercise 1: Gán số thứ tự hàng Exercise 2: Xây dựng một window function Exercise 3: Thêm số thứ tự dòng cho các phiên sạc Exercise 4: Lướt trên làn sóng nhiệt

Bài tập hiện tại

Exercise 5: Hàm cửa sổ xếp hạng Exercise 6: Sạc có nhanh không?Exercise 7: So sánh năng lượng đã tiêu thụ Exercise 8: Phân vùng dữ liệu trong một window function Exercise 9: Lần theo dòng tiền!Exercise 10: Đào sâu vào chi phí sạc

Đã đến lúc tăng tốc! Trong chương này, bạn sẽ đưa các hàm xếp hạng lên một tầm cao mới. Bạn sẽ bắt đầu với một biến thể của RANK, gọi là DENSE_RANK, xử lý các trường hợp đồng hạng theo cách hơi khác. Bạn cũng sẽ khám phá một phiên bản mạnh mẽ hơn của những hàm bạn đã thấy ở bài học trước bằng NTH_VALUE. Tiếp theo, bạn sẽ tạo các “bucket” dữ liệu bằng NTILE, hữu ích hơn bạn tưởng. Bạn cũng sẽ làm quen với một công cụ gọn nhẹ tên là CUME_DIST để tìm số bản ghi nhỏ hơn hoặc bằng một bản ghi nhất định trong một cửa sổ. Bạn sẽ kết thúc chương với một trong những ứng dụng mạnh mẽ nhất của window functions từ trước đến nay: LAG và LEAD.

Exercise 1: Nhiều hàm xếp hạng hơn Exercise 2: Tiếp thị đúng dòng xe Exercise 3: Tối ưu lịch sạc Exercise 4: Đặt mức phí sạc tối thiểu Exercise 5: NTILE và CUME_DIST Exercise 6: Khảo sát chủ sở hữu phương tiện Exercise 7: Đánh giá thời lượng sạc Exercise 8: Chủ xe đi được bao xa giữa các lần sạc?Exercise 9: LAG và LEAD Exercise 10: Nhìn về quá khứ!Exercise 11: Duy trì hiệu suất bộ sạc Exercise 12: Tải bộ sạc sạc nhanh

Bạn sẽ bắt đầu chương cuối cùng này với các hàm tổng hợp như AVG, COUNT và SUM. Bạn sẽ so sánh đầu ra của các hàm này với từng bản ghi trong một cửa sổ, cũng như dùng chúng để thực hiện các phép tính bổ sung. Sau đó, bạn sẽ làm chủ ứng dụng thú vị nhất của window functions: các phép tính chạy dồn (running) và di động (moving)! Bạn sẽ bắt đầu bằng cách tính trung bình và tổng chạy dồn cho các chỉ số liên quan đến sạc xe điện. Cuối cùng, bạn sẽ kết thúc khóa học bằng cách tạo tổng và trung bình di động với một cửa sổ trượt!

Exercise 1: Hàm cửa sổ tổng hợp Exercise 2: Tăng tương tác với chủ xe qua các chỉ số Exercise 3: Trực quan hóa thời lượng và chi phí phiên sạc Exercise 4: Ai tiêu thụ ít nhất?Exercise 5: Khung cửa sổ Exercise 6: Thời lượng sạc có đang dài hơn không?Exercise 7: Nhận diện trạm sạc kém hiệu quả Exercise 8: Trung bình trượt và Tổng di động Exercise 9: Moving vs. running Exercise 10: Ảnh hưởng của nhiệt độ lên tốc độ sạc Exercise 11: Gom tất cả lại!Exercise 12: Chúc mừng bạn!