Sveip for å vise menyen

La oss kort utforske hovedtypene av vindusfunksjoner som brukes i SQL.

Agregatfunksjoner

Dette er de vanlige agregatfunksjonene (AVG, SUM, MAX, MIN, COUNT) brukt i en vinduskontekst. Vi har allerede brukt denne typen vindusfunksjon i forrige kapittel.

Rangeringsfunksjoner

Rangeringsfunksjoner i SQL er en type vindusfunksjon som lar deg tildele en rangering til hver rad innenfor en partisjon av et resultatsett. Disse funksjonene kan være svært nyttige for å utføre ordnede beregninger og analyser.

RANK(): tildeler en unik rangering til hver distinkte rad innenfor partisjonen basert på ORDER BY-klausulen. Rader med like verdier får samme rangering, med hull i rangeringsrekkefølgen;
DENSE_RANK(): lik RANK(), men uten hull i rangeringssekvensen;
NTILE(n): deler radene i en ordnet partisjon inn i n grupper og tildeler et gruppenummer til hver rad.

Eksempel

Vi rangerer salgene basert på Amount for hver ProductID i stigende rekkefølge ved å bruke funksjonen DENSE_RANK():


              12345678
            
SELECT 
    sales_id,
    product_id,
    sales_date,
    amount,
    DENSE_RANK() OVER (PARTITION BY product_id ORDER BY amount DESC) AS dense_rank_amount
FROM 
    Sales;

Resultattabellen inneholder all informasjon fra hovedtabellen og en ekstra kolonne som gir rangeringen av hvert salg for det aktuelle produktet.

Verdikomparisjonsfunksjoner

Verdikomparisjons-vindusfunksjoner i SQL brukes til å sammenligne verdier i den nåværende raden med verdier i andre rader innenfor samme partisjon.
Disse funksjonene er spesielt nyttige for oppgaver som innebærer å analysere trender, utføre beregninger basert på tilstøtende rader, eller få tilgang til spesifikke radverdier innenfor et definert vindu. Det finnes flere verdikomparisjonsfunksjoner i SQL:

LAG() : henter verdien fra en forrige rad i resultatsettet uten behov for en selv-join;
LEAD(): henter verdien fra en påfølgende rad i resultatsettet uten behov for en selv-join;
FIRST_VALUE(): returnerer verdien til den første raden i vindusrammen;
LAST_VALUE(): returnerer verdien til den siste raden i vindusrammen.

Eksempel

Vi bruker verdikomparisjons-vindusfunksjonen LAG() til å beregne endringen i salgsbeløp fra forrige salg for hvert produkt:


              1234567891011
            
SELECT
    sales_id,
    product_id,
    sales_date,
    amount,
    LAG(amount, 1) OVER (PARTITION BY product_id ORDER BY sales_date) AS previous_amount,
    amount - LAG(amount, 1) OVER (PARTITION BY product_id ORDER BY sales_date) AS amount_change
FROM
    Sales
ORDER BY
    product_id, sales_date;

Beskrivelse av spørringen

Hoveddeler av spørringen:

SELECT-setning: Angir kolonnene som skal hentes fra tabellen.
- Kolonnenavn: Inkluderer kolonner som SalesID, ProductID, SalesDate og Amount for å vise relevant data for hvert salg.
- Vindusfunksjon: Bruker LAG()-funksjonen for å hente verdien fra forrige rad for en bestemt kolonne innenfor en partisjon. En ekstra beregnet kolonne viser forskjellen mellom nåværende og forrige verdi.

Syntaks for vindusfunksjon:

LAG(column_name, offset, default_value) OVER (PARTITION BY partition_column ORDER BY order_column)
- column_name: Kolonnen hvor forrige verdi skal hentes fra.
- offset: Antall rader bak nåværende rad for å hente verdien (standard er 1).
- default_value: Verdien som returneres hvis offset går utenfor grensene til partisjonen (valgfritt).
- PARTITION BY partition_column: Deler resultatsettet inn i partisjoner som vindusfunksjonen brukes på, slik at funksjonen opererer separat innenfor hver partisjon.
- ORDER BY order_column: Angir rekkefølgen på radene innenfor hver partisjon, slik at vindusfunksjonen behandler radene i en meningsfull sekvens.

Som et resultat kan vi enkelt hente ut informasjon om salgsforskjeller for hvert enkelt produkt uten å bruke underforespørsler eller lagrede prosedyrer.
Vi kan også beregne forskjeller for alle salg uten partisjonering ved å bruke følgende spørring:


              123456789
            
SELECT
    sales_id,
    product_id,
    sales_date,
    amount,
    LAG(amount, 1) OVER (ORDER BY sales_date) AS previous_amount,
    amount - LAG(amount, 1) OVER (ORDER BY sales_date) AS amount_change
FROM
    Sales;

Du kan se at vi ikke inkluderte PARTITION BY-klausulen i OVER-blokken. Det betyr at vi ikke ønsker å hente tidligere verdier kun for et bestemt produkt, men for alle salgene i tabellen.

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 3. Kapittel 3

Spør AI

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

Typer av Vindusfunksjoner

La oss kort utforske hovedtypene av vindusfunksjoner som brukes i SQL.

Agregatfunksjoner

Dette er de vanlige agregatfunksjonene (AVG, SUM, MAX, MIN, COUNT) brukt i en vinduskontekst. Vi har allerede brukt denne typen vindusfunksjon i forrige kapittel.

Rangeringsfunksjoner

RANK(): tildeler en unik rangering til hver distinkte rad innenfor partisjonen basert på ORDER BY-klausulen. Rader med like verdier får samme rangering, med hull i rangeringsrekkefølgen;
DENSE_RANK(): lik RANK(), men uten hull i rangeringssekvensen;
NTILE(n): deler radene i en ordnet partisjon inn i n grupper og tildeler et gruppenummer til hver rad.

Eksempel

Vi rangerer salgene basert på Amount for hver ProductID i stigende rekkefølge ved å bruke funksjonen DENSE_RANK():


              12345678
            
SELECT 
    sales_id,
    product_id,
    sales_date,
    amount,
    DENSE_RANK() OVER (PARTITION BY product_id ORDER BY amount DESC) AS dense_rank_amount
FROM 
    Sales;

Resultattabellen inneholder all informasjon fra hovedtabellen og en ekstra kolonne som gir rangeringen av hvert salg for det aktuelle produktet.

Verdikomparisjonsfunksjoner

LAG() : henter verdien fra en forrige rad i resultatsettet uten behov for en selv-join;
LEAD(): henter verdien fra en påfølgende rad i resultatsettet uten behov for en selv-join;
FIRST_VALUE(): returnerer verdien til den første raden i vindusrammen;
LAST_VALUE(): returnerer verdien til den siste raden i vindusrammen.

Eksempel

Vi bruker verdikomparisjons-vindusfunksjonen LAG() til å beregne endringen i salgsbeløp fra forrige salg for hvert produkt:


              1234567891011
            
SELECT
    sales_id,
    product_id,
    sales_date,
    amount,
    LAG(amount, 1) OVER (PARTITION BY product_id ORDER BY sales_date) AS previous_amount,
    amount - LAG(amount, 1) OVER (PARTITION BY product_id ORDER BY sales_date) AS amount_change
FROM
    Sales
ORDER BY
    product_id, sales_date;

Beskrivelse av spørringen

Hoveddeler av spørringen:

SELECT-setning: Angir kolonnene som skal hentes fra tabellen.
- Kolonnenavn: Inkluderer kolonner som SalesID, ProductID, SalesDate og Amount for å vise relevant data for hvert salg.
- Vindusfunksjon: Bruker LAG()-funksjonen for å hente verdien fra forrige rad for en bestemt kolonne innenfor en partisjon. En ekstra beregnet kolonne viser forskjellen mellom nåværende og forrige verdi.

Syntaks for vindusfunksjon:

LAG(column_name, offset, default_value) OVER (PARTITION BY partition_column ORDER BY order_column)
- column_name: Kolonnen hvor forrige verdi skal hentes fra.
- offset: Antall rader bak nåværende rad for å hente verdien (standard er 1).
- default_value: Verdien som returneres hvis offset går utenfor grensene til partisjonen (valgfritt).
- PARTITION BY partition_column: Deler resultatsettet inn i partisjoner som vindusfunksjonen brukes på, slik at funksjonen opererer separat innenfor hver partisjon.
- ORDER BY order_column: Angir rekkefølgen på radene innenfor hver partisjon, slik at vindusfunksjonen behandler radene i en meningsfull sekvens.


              123456789
            
SELECT
    sales_id,
    product_id,
    sales_date,
    amount,
    LAG(amount, 1) OVER (ORDER BY sales_date) AS previous_amount,
    amount - LAG(amount, 1) OVER (ORDER BY sales_date) AS amount_change
FROM
    Sales;

Du kan se at vi ikke inkluderte PARTITION BY-klausulen i OVER-blokken. Det betyr at vi ikke ønsker å hente tidligere verdier kun for et bestemt produkt, men for alle salgene i tabellen.

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 3. Kapittel 3