像 "moving average" 和 "running average" 这样的短语经常被混用。不过，"moving" 和 "running" 的含义不同。请选择所有关于滑动计算和累计计算的正确表述。
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
通过 Snowflake 的窗口函数，为数据分析打开更多可能！您将先从区分窗口函数与传统函数入手。然后，学习如何为查询中的每条记录提供行号与排名。掌握基础后，您将通过使用 PARTITION BY 把"窗口"引入窗口函数。接着探索如何获取并使用某个窗口中的第一个值与最后一个值，最后再预览一下聚合函数。
现在是提升难度的时候了！在本章中，您将把排名函数进一步拓展。您会从 RANK 的一种变体 DENSE_RANK 开始，它处理并列的方式有所不同。您还将通过 NTH_VALUE，探索上一节见过的函数的更强版本。接下来，您将使用 NTILE 把数据划分为多个"分桶"，这比您想象的更有用。您还会掌握一个小巧而实用的工具 CUME_DIST，用于找出某个窗口中小于等于指定记录的记录数量占比。最后，您将以迄今为止最强大的窗口函数应用作结：LAG 与 LEAD。
在最后一章，您将从 AVG、COUNT、SUM 等聚合函数开始。您会将这些函数的输出与窗口中的单条记录进行比较，并据此执行进一步计算。随后，您将掌握窗口函数最实用的应用：累计与移动计算！您会先为电动汽车充电等不同指标计算累计平均与累计总计。最后，您将通过滑动窗口生成移动总计与移动平均，为本课程画上句号！
当前练习
