NTILE y CUME_DIST

Funciones de ventana en Snowflake

Jake Roach

Field Data engineer

Creando cubos de filas

¿Cómo podemos clasificar a los miembros del gimnasio según sus entrenamientos para ofrecerles las clases adecuadas?

             member_id  |  gym_location  |  calories_burned  |  marketing_group
            ----------- | -------------- | ----------------- | -----------------
               m_192    |    Miami       |         45        |         1
               m_74     |    Miami       |         59        |         1
               m_233    |    Portland    |         60        |         1

               m_14     |    Cleveland   |         72        |         2
               m_346    |    Portland    |         77        |         2
               m_289    |    Cleveland   |         81        |         2

               m_565    |    Miami       |        1085       |         50
                                        ...

NTILE

SELECT
    <fields>,
    <2>,
    <1>,


    NTILE(<n>) OVER(
        PARTITION BY <2>
        ORDER BY <1>
    )


...;

NTILE se usa para crear "N" cubos de igual tamaño

<n>: número de cubos

<1>: campo usado para crear cubos

<2>: campo usado para distribuir registros con PARTITION BY

Agrupando datos de fitness

SELECT
    member_id,
    gym_location,
    calories_burned,

    -- Crear 50 cubos de datos de igual tamaño

    NTILE(50) OVER(
        ORDER BY calories_burned   -- Decide los registros en cada cubo
    ) AS marketing_group


FROM FITNESS.workouts
ORDER BY marketing_group, calories_burned;  -- ORDENAR el conjunto de resultados final

Agrupando datos de fitness

         member_id  |  gym_location  |  calories_burned  |  marketing_group
        ----------- | -------------- | ----------------- | -----------------
           m_192    |    Miami       |         45        |         1
           m_74     |    Miami       |         59        |         1
           m_233    |    Portland    |         60        |         1

           m_14     |    Cleveland   |         72        |         2
           m_346    |    Portland    |         77        |         2
           m_289    |    Cleveland   |         81        |         2

           m_565    |    Miami       |        1085       |         50
                                        ...

Cubos de datos de fitness distribuidos uniformemente

SELECT
    member_id,
    gym_location,
    calories_burned,

    NTILE(50) OVER(

        -- Distribuir registros uniformemente por gym_location
        PARTITION BY gym_location

        ORDER BY calories_burned
    ) AS marketing_group

FROM FITNESS.workouts
ORDER BY marketing_group, calories_burned;

Cubos de datos de fitness distribuidos uniformemente

         member_id  |  gym_location  |  calories_burned  |  marketing_group
        ----------- | -------------- | ----------------- | -----------------
           m_192    |    Miami       |         45        |         1
           m_233    |    Portland    |         60        |         1
           m_14     |    Cleveland   |         72        |         1

           m_74     |    Miami       |         59        |         2
           m_346    |    Portland    |         77        |         2
           m_289    |    Cleveland   |         81        |         2

                                    ...

Entendiendo una distribución

¿Cuál es la distribución de calorías quemadas por entrenamiento?

¿Dónde cae un entrenamiento específico en esta distribución?

¿Qué proporción de miembros quemó la misma o menos calorías que un miembro específico?

  member_id  |  cals_burned  |   cd   
 ----------- | ------------- | ------
    m_192    |       45      |  .016
    m_74     |       59      |  .033
    m_233    |       60      |  .049
    m_14     |       72      |  .066
    m_346    |       77      |  .082
    m_289    |       81      |  .098

                    ....

    m_565    |      1085     |  1.000

CUME_DIST

SELECT
    member_id,
    gym_location,
    calories_burned,

    CUME_DIST() OVER(
        PARTITION BY gym_location,   -- Crear una distribución por ubicación
        ORDER BY calories_burned
    ) AS cd

FROM FITNESS.workouts

ORDER BY gym_location, cd;  -- ORDENAR el conjunto de resultados final

CUME_DIST

SELECT
    <fields>,
    <1>,
    <2>,


    CUME_DIST() OVER(
        PARTITION BY <1>
        ORDER BY <2>
    )


...;

Compara cada registro con la distribución de esa columna/campo, distribución acumulativa

<1>: campo que determina la ventana a evaluar

<2>: campo para crear la distribución

¿Qué proporción de registros son menores o iguales a este?

CUME_DIST

               member_id  |  gym_location  | calories_burned  |   cd   
              ----------- | -------------- | ---------------- | -------
                 m_192    |    Miami       |        45        |  .033
                 m_74     |    Miami       |        59        |  .066
                 m_288    |    Miami       |        83        |  .098
                 m_541    |    Miami       |        85        |  .131

                                          ...

                 m_233    |    Portland    |        60        |  .071
                 m_346    |    Portland    |        77        |  .142

                                          ...

¡Vamos a practicar!

Funciones de ventana en Snowflake