📖 Σημειώσεις: Window Functions
1. Τι Είναι τα Window Functions
Window Function (συνάρτηση παραθύρου) = συνάρτηση που υπολογίζει μια τιμή για κάθε γραμμή — χωρίς να χάνει τις υπόλοιπες.
Διαφορά από aggregations:
-
Aggregations (GROUP BY): Συμπιέζουν πολλές γραμμές σε μία
-
Window Functions: Κρατούν όλες τις γραμμές, προσθέτουν νέα στήλη
Παράδειγμα:
-
GROUP BY city → Μια γραμμή ανά πόλη
-
Window Function → Όλες οι γραμμές, με κατάταξη ανά πόλη
💡 Αναλογία: Σαν να έχεις ένα Excel. Το GROUP BY είναι Pivot Table. Το Window Function είναι μια νέα στήλη με υπολογισμό.
2. OVER() — Ο Ορισμός του Παραθύρου
Σύνταξη:
SELECT στήλες, window_function() OVER ( ... ) as alias FROM πίνακας;
Τι είναι το OVER():
-
Λέει στη συνάρτηση πάνω σε ποιο παράθυρο να δουλέψει
-
Κενό = όλες οι γραμμές
-
Με PARTITION BY = ομαδοποιημένο
3. ROW_NUMBER, RANK, DENSE_RANK — Κατάταξη
Οι 3 συναρτήσεις:
| Συνάρτηση | Τι Κάνει |
|---|---|
| ROW_NUMBER | Μοναδικός αριθμός (1, 2, 3, 4) |
| RANK | Κατάταξη με κενά (1, 2, 2, 4) |
| DENSE_RANK | Κατάταξη χωρίς κενά (1, 2, 2, 3) |
Παράδειγμα — Κατάταξη πελατών ανά ηλικία:
SELECT name, age, ROW_NUMBER() OVER (ORDER BY age DESC) as row_num, RANK() OVER (ORDER BY age DESC) as rank_num, DENSE_RANK() OVER (ORDER BY age DESC) as dense_rank_num FROM demo_customers;
Αποτέλεσμα:
| name | age | row_num | rank_num | dense_rank_num |
|---|---|---|---|---|
| Παναγιώτης | 52 | 1 | 1 | 1 |
| Θανάσης | 51 | 2 | 2 | 2 |
| Μιχάλης | 50 | 3 | 3 | 3 |
| Θεόδωρος | 47 | 4 | 4 | 4 |
| Γρηγόρης | 46 | 5 | 5 | 5 |
Παράδειγμα με duplicates — Για να δεις τη διαφορά:
SELECT product, price, ROW_NUMBER() OVER (ORDER BY price DESC) as row_num, RANK() OVER (ORDER BY price DESC) as rank_num, DENSE_RANK() OVER (ORDER BY price DESC) as dense_rank_num FROM demo_orders;
Αποτέλεσμα (αν δύο προϊόντα έχουν ίδια τιμή):
| product | price | row_num | rank_num | dense_rank_num |
|---|---|---|---|---|
| Laptop | 1200 | 1 | 1 | 1 |
| Laptop | 1200 | 2 | 1 | 1 |
| Desk | 450 | 3 | 3 | 2 |
| Monitor | 300 | 4 | 4 | 3 |
Παρατήρησε:
-
ROW_NUMBER: 1, 2, 3, 4 (μοναδικοί)
-
RANK: 1, 1, 3, 4 (κενό στο 2)
-
DENSE_RANK: 1, 1, 2, 3 (χωρίς κενό)
4. PARTITION BY — Ομαδοποίηση Μέσα στο Παράθυρο
Τι κάνει: Χωρίζει τα δεδομένα σε ομάδες και εφαρμόζει τη συνάρτηση σε κάθε ομάδα ξεχωριστά.
Διαφορά από GROUP BY:
-
GROUP BY: Συμπιέζει τις γραμμές
-
PARTITION BY: Διατηρεί τις γραμμές, προσθέτει κατάταξη
Παράδειγμα — Κατάταξη πελατών ανά πόλη:
SELECT name, city, age, ROW_NUMBER() OVER (PARTITION BY city ORDER BY age DESC) as rank_in_city FROM demo_customers;
Αποτέλεσμα:
| name | city | age | rank_in_city |
|---|---|---|---|
| Γιώργος | Αθήνα | 52 | 1 |
| Παναγιώτης | Αθήνα | 45 | 2 |
| Αλέξανδρος | Αθήνα | 39 | 3 |
| Μαρία | Θεσσαλονίκη | 51 | 1 |
| Σπύρος | Θεσσαλονίκη | 44 | 2 |
| ... | ... | ... | ... |
Πώς δουλεύει:
-
PARTITION BY city → χωρίζει σε ομάδες ανά πόλη
-
ORDER BY age DESC → ταξινομεί μέσα σε κάθε ομάδα
-
ROW_NUMBER → δίνει νέο αριθμό σε κάθε ομάδα
💡 Χρήση: Top-N ανά κατηγορία (π.χ. top 3 πελάτες ανά πόλη).
5. Running Totals — Αθροιστικά Σύνολα
Τι κάνει: Αθροίζει σταδιακά τις τιμές.
SELECT order_date, price, SUM(price) OVER (ORDER BY order_date) as running_total FROM demo_orders;
Αποτέλεσμα:
| order_date | price | running_total |
|---|---|---|
| 2024-01-15 | 1200 | 1200 |
| 2024-01-16 | 50 | 1250 |
| 2024-01-17 | 80 | 1330 |
| 2024-01-18 | 300 | 1630 |
| ... | ... | ... |
Πώς δουλεύει:
-
SUM(price) → αθροίζει
-
OVER (ORDER BY order_date) → σταδιακά με βάση την ημερομηνία
Χρήση: Πωλήσεις που αυξάνονται μέρα με τη μέρα.
6. LAG & LEAD — Σύγκριση Γραμμών
LAG: Παίρνει την τιμή από την προηγούμενη γραμμή.
LEAD: Παίρνει την τιμή από την επόμενη γραμμή.
Παράδειγμα — Διαφορά τιμής από την προηγούμενη παραγγελία:
SELECT order_id, price, LAG(price) OVER (ORDER BY order_date) as prev_price, price - LAG(price) OVER (ORDER BY order_date) as diff FROM demo_orders;
Αποτέλεσμα:
| order_id | price | prev_price | diff |
|---|---|---|---|
| 1001 | 1200 | NULL | NULL |
| 1002 | 50 | 1200 | -1150 |
| 1003 | 80 | 50 | 30 |
| 1004 | 300 | 80 | 220 |
Πώς δουλεύει:
-
LAG(price) → παίρνει την προηγούμενη τιμή
-
ORDER BY order_date → με βάση την ημερομηνία
Χρήση: Σύγκριση μήνα-με-μήνα, εβδομάδα-με-εβδομάδα.
7. Συνδυασμός — Όλα Μαζί
Παράδειγμα — Top 2 πελάτες ανά πόλη με βάση τα έξοδα:
WITH customer_spending AS ( SELECT c.name, c.city, SUM(o.price) as total_spent, ROW_NUMBER() OVER (PARTITION BY c.city ORDER BY SUM(o.price) DESC) as rank_in_city FROM demo_customers c INNER JOIN demo_orders o ON c.customer_id = o.customer_id GROUP BY c.name, c.city ) SELECT * FROM customer_spending WHERE rank_in_city <= 2 ORDER BY city, rank_in_city;
Αποτέλεσμα: Οι top 2 πελάτες κάθε πόλης.
Πώς δουλεύει:
-
CTE: Φτιάχνει στατιστικά ανά πελάτη + κατάταξη στην πόλη
-
Εξωτερικό query: Φιλτράρει τους top 2
8. NTILE — Διαχωρισμός σε Ομάδες (Percentiles)
Τι κάνει: Χωρίζει τις γραμμές σε έναν συγκεκριμένο αριθμό ομάδων (buckets) και αναθέτει έναν αριθμό σε κάθε γραμμή (1, 2, 3...). Είναι πολύ χρήσιμο για να βρεις π.χ. το «Top 20%» των πελατών.
Σύνταξη:
NTILE(αριθμός_ομάδων) OVER (ORDER BY στήλη)
Παράδειγμα — Χωρισμός σε 5 ομάδες (20% η καθεμία):
SELECT name, age, NTILE(5) OVER (ORDER BY age DESC) as age_group FROM demo_customers;
Πώς δουλεύει:
-
Αν έχεις 30 πελάτες και βάλεις
NTILE(5), η βάση θα τους χωρίσει σε 5 ομάδες των 6 ατόμων. -
Η ομάδα 1 θα περιέχει τους 6 μεγαλύτερους σε ηλικία (το Top 20%).
-
Η ομάδα 5 θα περιέχει τους 6 μικρότερους.
Πότε το χρησιμοποιείς:
-
Για να βρεις το Top 10% ή Top 20% των πελατών με τα μεγαλύτερα έσοδα.
-
Για να χωρίσεις τους πελάτες σε κατηγορίες (π.χ. VIP, Gold, Silver, Bronze).
💡 Tip: Το
NTILE(4)χωρίζει τα δεδομένα σε 4 ομάδες (25% η καθεμία). ΤοNTILE(10)σε 10 ομάδες (10% η καθεμία).
9. Σύνοψη
| Συνάρτηση | Τι Κάνει |
|---|---|
| OVER() | Ορίζει το παράθυρο |
| PARTITION BY | Ομαδοποιεί |
| ORDER BY | Ταξινομεί μέσα στο παράθυρο |
| ROW_NUMBER | Μοναδικός αριθμός |
| RANK | Κατάταξη με κενά |
| DENSE_RANK | Κατάταξη χωρίς κενά |
| SUM() OVER | Running total |
| LAG / LEAD | Προηγούμενη / επόμενη τιμή |
Σύνταξη:
SELECT στήλες, συνάρτηση() OVER ( PARTITION BY στήλη ORDER BY στήλη ) as alias FROM πίνακας;
10. Καλές Πρακτικές
| ✅ Κάνε | ❌ Μην Κάνεις |
|---|---|
| Χρησιμοποίησε PARTITION BY όταν χρειάζεται | Βάζεις τα πάντα σε ένα OVER() |
| Ονόμασε τις στήλες με AS | Αφήνεις default ονόματα |
| Έλεγξε τη σειρά ORDER BY | Ξεχνάς το ORDER BY |
| Δοκίμασε πρώτα σε μικρό dataset | Τρέχεις σε 10.000 γραμμές |
| Σχολίασε τα σύνθετα queries | Αφήνεις χωρίς εξήγηση |