Vad är fönsterfunktioner?

Question

Accepted Answer

**Fönsterfunktioner** utför beräkningar över en uppsättning rader (ett "fönster") **relaterade till den aktuella raden**, *utan att slå samman dem till en enda utmatningsrad* (till skillnad från aggregat med `GROUP BY`). De möjliggör kraftfull analys — löpande totaler, rankningar, jämförelser med andra rader — samtidigt som varje rad behålls i resultatet.

## Skillnaden från 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;
```

Klausulen `OVER (...)` definierar fönstret. **`PARTITION BY`** delar rader i grupper (som GROUP BY, men per rad), och **`ORDER BY`** ordnar inom varje partition. `ROW_NUMBER`/`RANK`/`DENSE_RANK` tilldelar rankningar.

## Aggregatfönsterfunktioner (löpande totaler, aggregat per grupp)

```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;
```

Aggregate som fönsterfunktioner beräknar löpande totaler, glidande medelvärden eller aggregat per partition samtidigt som varje rad bevaras — omöjligt med endast GROUP BY.

## LAG/LEAD — jämför med andra rader

```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`** hämtar värden från tidigare/nästa rader — perfekt för period-over-period-jämförelser (månad-över-månad-tillväxt, etc.).

## Varför det spelar roll

Fönsterfunktioner är en kraftfull, avancerad SQL-funktion som är väsentlig för **analytiska frågor**, och att förstå dem är värdefull kunskap på högt nivå för dataanalys, rapportering och komplex frågning.

Deras definerande kapacitet — att utföra beräkningar över relaterade rader **samtidigt som varje rad bevaras** (till skillnad från GROUP BY, som slår samman rader) — möjliggör en hel klass av analys som är svår eller omöjlig på annat sätt: **rankningar** (`ROW_NUMBER`/`RANK`/`DENSE_RANK` — hitta top N per grupp, tilldela rankningar), **löpande totaler och glidande medelvärden** (kumulativa summor, aggregat per partition visade tillsammans med varje rad), och **rad-till-rad-jämförelser** (`LAG`/`LEAD` för period-over-period-analys som månad-över-månad-tillväxt).

Dessa är vanliga, värdefulla analytiska behov (toppsegment, kumulativa mätvärden, trendanalys, jämförelse av varje rad med sin grupps medelvärde) som fönsterfunktioner hanterar elegant i en enda fråga, där SQL före fönsterfunktioner krävde komplexa självkopplingar eller subqueries.

Att förstå `OVER (PARTITION BY ... ORDER BY ...)`-syntaxen (definiering av fönstret), rankingfunktionerna, aggregatfönsterfunktionerna (löpande totaler, aggregat per partition) och `LAG`/`LEAD` (åtkomst av andra rader) täcker den kraftfulla analytiska verktygslådan.

Eftersom dataanalys och sofistikerad rapportering är viktiga användningsområden för SQL, och eftersom fönsterfunktioner är det moderna, kraftfulla sättet att uttrycka rankningar, löpande beräkningar och radkomparationer (betydligt mer kapabla och eleganta än alternativ), är att behärska fönsterfunktioner värdefull, ofta tillämpbar kunskap för analytisk SQL som skiljer utvecklare som kan skriva sofistikerade datafrågor — ett kännetecken för avancerad SQL-skicklighet och ett vanligt ämne i datainriktade roller och intervjuer.