Hvad er window functions?

Question

Accepted Answer

**Window functions** udfører beregninger på tværs af et sæt rækker (et "vindue") **relateret til den aktuelle række**, *uden at kollapse dem til en enkelt outputrække* (i modsætning til aggregater med `GROUP BY`). De muliggør kraftfuld analyse — løbende totaler, rangering, sammenligninger med andre rækker — mens hver række bevares i resultatet.

## Vigtigste forskel fra GROUP BY

```text
GROUP BY      → collapses groups into ONE row each (you lose individual rows)
Window function → computes across related rows but KEEPS every row
→ You get per-row detail AND aggregate/ranking info together.
```

## Rankingfunktioner

```sql
SELECT
  name, department, salary,
  ROW_NUMBER() OVER (ORDER BY salary DESC) AS overall_rank,     -- unique sequential rank
  RANK()       OVER (PARTITION BY department ORDER BY salary DESC) AS dept_rank,  -- rank within dept
  DENSE_RANK() OVER (PARTITION BY department ORDER BY salary DESC) AS dense_rank
FROM employees;
```

`OVER (...)` klausulen definerer vinduet. **`PARTITION BY`** opdeler rækker i grupper (som GROUP BY, men pr. række), og **`ORDER BY`** sorterer inden for hver partition. `ROW_NUMBER`/`RANK`/`DENSE_RANK` tildeler rangeringer.

## Aggregatfunktioner som window functions (løbende totaler, pr.-gruppe aggregater)

```sql
SELECT
  date, amount,
  SUM(amount) OVER (ORDER BY date) AS running_total,            -- cumulative sum
  AVG(amount) OVER (PARTITION BY category) AS category_avg,      -- avg per category, kept per row
  amount - AVG(amount) OVER (PARTITION BY category) AS diff_from_avg
FROM transactions;
```

Aggregater som window functions beregner løbende totaler, glidende gennemsnit eller pr.-partition aggregater samtidig med at hver række bevares — umuligt med kun GROUP BY.

## LAG/LEAD — sammenlign med andre rækker

```sql
SELECT
  month, revenue,
  LAG(revenue) OVER (ORDER BY month) AS prev_month,             -- the previous row's value
  revenue - LAG(revenue) OVER (ORDER BY month) AS growth,        -- month-over-month change
  LEAD(revenue) OVER (ORDER BY month) AS next_month
FROM monthly_revenue;
```

**`LAG`/`LEAD`** tilgår værdier fra forrige/næste rækker — perfekt til periode-over-periode sammenligninger (måned-over-måned vækst osv.).

## Hvorfor det betyder noget

Window functions er en kraftfuld, avanceret SQL-funktion, der er væsentlig for **analytiske forespørgsler**, og at forstå dem er værdifuld viden på seniorniveau inden for dataanalyse, rapportering og kompleks forespørgsler.

Deres definerende kapabilitet — at udføre beregninger på tværs af relaterede rækker **samtidig med at hver række bevares** (i modsætning til GROUP BY, som kollapserer rækker) — muliggør en helt klasse af analyser, der er vanskelig eller umulig på anden vis: **rangeringer** (`ROW_NUMBER`/`RANK`/`DENSE_RANK` — find top N pr. gruppe, tildel rangeringer), **løbende totaler og glidende gennemsnit** (kumulative summer, pr.-partition aggregater vist ved siden af hver række), og **række-til-række sammenligninger** (`LAG`/`LEAD` til periode-over-periode analyse som måned-over-måned vækst).

Disse er almindelige, værdifulde analytiske behov (ranglistor, kumulative målinger, trendanalyse, sammenligning af hver række med gruppens gennemsnit), som window functions håndterer elegant i en enkelt forespørgsel, hvor SQL før window functions krævede komplekse self-joins eller underforespørgsler.

Forståelse af `OVER (PARTITION BY ... ORDER BY ...)` syntaksen (definition af vinduet), rankingfunktionerne, aggregatfunktioner som window functions (løbende totaler, pr.-partition aggregater) og `LAG`/`LEAD` (adgang til andre rækker) dækker det kraftfulde analytiske værktøjssæt.

Da dataanalyse og sofistikeret rapportering er vigtige anvendelser af SQL, og da window functions er den moderne, kraftfulde måde at udtrykke rangeringer, løbende beregninger og rækkesammenligninger på (væsentligt mere kapable og elegante end alternativer), er det værdifuldt, hyppigt anvendt viden at mestre window functions til analytisk SQL — det adskiller udviklere, der kan skrive sofistikerede dataspørgsmål — et kendetegn på avanceret SQL-kompetence og et almindeligt emne i datafokuserede roller og interviews.