Window functions లు ఏమిటి?

Question

Accepted Answer

**Window functions** ఒక సమితి వరుసల (ఒక "window") అంతటా లెక్కలు నిర్వహిస్తాయి **ప్రస్తుత వరుసకు సంబంధించినవి**, *వాటిని ఒకే అవుట్‌పుట్ వరుసలో కూల్చకుండా* (aggregates with `GROUP BY` కాకుండా). ఇవి శక్తిశాలీ విశ్లేషణ సక్షమ చేస్తాయి — రన్నింగ్ టోటల్‌లు, ర్యాంకింగ్‌లు, ఇతర వరుసలకు తులనలు — ప్రతి వరుసను ఫలితంలో ఉంచుతూ.

## GROUP BY నుండి ప్రధాన వ్యత్యాసం

```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.
```

## ర్యాంకింగ్ ఫంక్షన్‌లు

```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 (...)` నిబంధన విండోను నిర్వచిస్తుంది. **`PARTITION BY`** వరుసలను సమూహాలుగా విభజిస్తుంది (GROUP BY లాగా, కానీ ప్రతి-వరుస), మరియు **`ORDER BY`** ప్రతి విభజన లో క్రమం చేస్తుంది. `ROW_NUMBER`/`RANK`/`DENSE_RANK` ర్యాంకింగ్‌లను సెట్ చేస్తాయి.

## Aggregate window functions (రన్నింగ్ టోటల్‌లు, ప్రతి-సమూహ aggregates)

```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;
```

Aggregates window functions గా రన్నింగ్ టోటల్‌లు, కదిలే సగటులు, లేదా ప్రతి-విభజన aggregates లను లెక్కిస్తాయి ఫలితంలో ప్రతి వరుస ఉంచుతూ — GROUP BY తో ఒక్కటే సాధ్యం కాదు.

## LAG/LEAD — ఇతర వరుసలకు తులన

```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`** గత/తరువాత వరుసల నుండి విలువలను యాక్సెస్ చేస్తాయి — కాల వ్యవధి-ఓవర్-కాల వ్యవధి తులనల (నెల-ఓవర్-నెల వృద్ధి, మొదలైనవి) కోసం ఖచ్చితమైనవి.

## ఇది ఎందుకు ముఖ్యమైనది

Window functions అనేది **విశ్లేషణాత్మక ప్రశ్నల** కోసం అవసరమైన శక్తిశాలీ, అధ్వాన్సింగ్ SQL లక్షణం, మరియు వాటిని అర్థం చేసుకోవడం డేటా విశ్లేషణ, నివేదన, మరియు సంక్లిష్ట అన్వేషణ కోసం విలువైన సీనియర్-స్థర జ్ఞానం. వాటి నిర్వచించే సామర్థ్యం — సంబంధిత వరుసల అంతటా లెక్కలు నిర్వహించడం **ప్రతి వరుస ఉంచుతూ** (GROUP BY కాకుండా, ఇది వరుసలను కూల్చిస్తుంది) — విశ్లేషణల యొక్క స온ితి తరగతిని ఎనేబుల్ చేస్తుంది ఇతరులకు కష్టమైన లేదా సాధ్యం కాని: **ర్యాంకింగ్‌లు** (`ROW_NUMBER`/`RANK`/`DENSE_RANK` — ప్రতి సమూహానికి టాప్ N ను కనుగొనడం, ర్యాంకింగ్‌లను సెట్ చేయడం), **రన్నింగ్ టోటల్‌లు మరియు కదిలే సగటులు** (సంచిత మొత్తాలు, ప్రతి-విభజన aggregates ప్రతి వరుస పక్కన చూపించబడతాయి), మరియు **వరుస-నుండి-వరుస తులనలు** (`LAG`/`LEAD` నెల-ఓవర్-నెల వృద్ధి వంటి కాల వ్యవధి-ఓవర్-కాల వ్యవధి విశ్లేషణ కోసం). ఇవి సాధారణ, విలువైన విశ్లేషణాత్మక అవసరాలు (లీడర్‌బోర్డ్‌లు, సంచిత మెట్రిక్‌లు, ట్రెండ్ విశ్లేషణ, ప్రతి వరుసను దాని సమూహం సగటుకు పోల్చడం) ఇవి window functions ఒక్క ప్రశ్నలో సొగ్గ గా నిర్వహిస్తుంది, ఇక్కడ window-function-ముందు SQL సంక్లిష్ట స్వయం-జోయిన్‌లు లేదా subqueries అవసరమైనవి. `OVER (PARTITION BY ... ORDER BY ...)` సింటాక్స్ (విండోను నిర్వచించడం), ర్యాంకింగ్ ఫంక్షన్‌లు, aggregate window functions (రన్నింగ్ టోటల్‌లు, ప్రతి-విభజన aggregates), మరియు `LAG`/`LEAD` (ఇతర వరుసలను యాక్సెస్ చేయడం) అర్థం చేసుకోవడం శక్తిశాలీ విశ్లేషణాత్మక సాధన సమితిని కవర్ చేస్తుంది. డేటా విశ్లేషణ మరియు సోపిస్టికేటెడ్ నివేదన SQL యొక్క ముఖ్యమైన ఉపయోగాలు కాబట్టి, మరియు window functions ర్యాంకింగ్‌లు, రన్నింగ్ లెక్కలు, మరియు వరుస తులనలను వ్యక్తం చేసే ఆధునిక, శక్తిశాలీ మార్గం కాబట్టి (ప్రత్యామ్నాయాలను అంచనా వేయడానికి గణనీయంగా ఎక్కువ సామర్థ్యవంతమైన మరియు సొగ్గైన), window functions మాస్టరింగ్ విలువైన, తరచుగా-అన్వయించిన విశ్లేషణాత్మక SQL జ్ఞానం ఇది డెవలపర్‌లను వేరుచేస్తుంది ఇవారు సోపిస్టికేటెడ్ డేటా ప్రశ్నలు వ్రాయగలరు — ఇది అధ్వాన్సింగ్ SQL నైపుణ్యం యొక్క సూచన మరియు డేటా-ఫోకస్డ్ రోల్‌లు మరియు ఇంటర్‌వ్యూ‌లలో సాధారణ విషయం.