Fensterrahmen

Window Functions in Snowflake

Jake Roach

Field Data Engineer

Fensterrahmen

Ausgabe zeigt ein Fenster mit allen Datensätzen.

Fensterrahmen

Ausgabe zeigt Fenster, die mit dem member_id-Feld erstellt wurden, um Datensätze zu partitionieren.

Dynamische Fensterrahmen

Ausgabe zeigt einen "gleitenden" Fensterrahmen.

Laufende Berechnung finden

SELECT
    ...

    AVG(<1>) OVER(
        PARTITION BY ...
        ORDER BY <2>

        -- Fenster zwischen der ersten
        -- und aktuellen Zeile


        ROWS BETWEEN UNBOUNDED PRECEDING 
            AND CURRENT ROW

    )
...

ROWS BETWEEN ermöglicht uns, einen dynamischen Fensterrahmen zu erstellen

UNBOUNDED PRECEEDING AND CURRENT ROW
Erste Zeile in der Sequenz bis zur aktuellen Zeile
"Laufende" Berechnung, nicht rollend
CURRENT ROW AND UNBOUNDED FOLLOWING

<1>: Feld für die Berechnung

<2>: Sequenziert Ergebnisse, erstellt Fensterrahmen

Laufende Summe der verbrannten Kalorien

SELECT
    member_id AS m_id, 
    calories_burned AS cb,

    -- Laufende Summe!
    SUM(calories_burned) OVER(
        PARTITION BY member_id
        ORDER BY workout_date


        ROWS BETWEEN UNBOUNDED PRECEDING
            AND CURRENT ROW


    ) AS running_total

FROM fitness.workouts;


         m_id  |    cb   |  running_total
       ------- | ------- | --------------
        m_192  |   105   |      105 
        m_192  |   156   |      261 
        m_192  |    69   |      330 
        m_192  |   102   |      432  

        m_74   |   374   |      374  
        m_74   |   396   |      770  
        m_74   |   504   |     1274  

        m_233  |    51   |       51  
        m_233  |    81   |      132

AKTUELLE ZEILE UND UNBEGRENZT FOLGEND

SELECT
    member_id AS m_id, 
    calories_burned AS cb,

    SUM(calories_burned) OVER(
        PARTITION BY member_id
        ORDER BY workout_date

        -- Fenster zwischen aktueller und letzter Zeile

        ROWS BETWEEN CURRENT ROW
            AND UNBOUNDED FOLLOWING


    ) AS left_to_burn

FROM fitness.workouts;


         m_id  |    cb   |  left_to_burn
       ------- | ------- | --------------
        m_192  |   105   |      432 
        m_192  |   156   |      327 
        m_192  |    69   |      171 
        m_192  |   102   |      102  

        m_74   |   374   |     1274  
        m_74   |   396   |      900 
        m_74   |   504   |      504  

        m_233  |    51   |      132  
        m_233  |    81   |       81

Kalorienverbrauch-Trends

SELECT
    member_id,
    workout_date,
    calories_burned,

    AVG(calories_burned) OVER(   -- Laufender Durchschnitt der verbrannten Kalorien
        PARTITION BY member_id

        -- Fenster nach Trainingsdatum, vom ersten bis zum aktuellen Training
        ORDER BY workout_date
        ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW

    ) AS avg_calories_burned

FROM FITNESS.workouts;

Kalorienverbrauch-Trends


            member_id  |  workout_date  |  calories_burned  |  average_calories_burned
           ----------- | -------------- | ----------------- | -------------------------
              m_192    |   2025-01-01   |        105        |          105.0
              m_192    |   2025-01-03   |        156        |          130.5
              m_192    |   2025-01-04   |         69        |          110.0
              m_192    |   2025-01-10   |        102        |          108.0

               m_74    |   2025-02-10   |        374        |          374.0
               m_74    |   2025-02-13   |        396        |          385.0
               m_74    |   2025-02-14   |        504        |          426.7

              m_233    |   2025-03-05   |         51        |           51.0
              m_233    |   2025-03-12   |         81        |           66.0

Lass uns üben!

Window Functions in Snowflake