- 1

Aplicación de PostgreSQL en Ciencia de Datos
02:45 - 2
Importación de Bases de Datos en PgAdmin 4
01:21 - 3

Historia y Evolución de las Bases de Datos Relacionales
04:32 - 4

Fundamentos de Bases de Datos Relacionales para Científicos de Datos
06:57 - 5

Conceptos Fundamentales de Bases de Datos Relacionales
05:59 - 6

Sentencias SQL: Select, Where, Group By y Order By
05:58
Funciones de Ventana en SQL para Ordenamiento y Rango de Datos
Clase 24 de 34 • Curso de PostgreSQL Aplicado a Ciencia de Datos
Contenido del curso
- 11

Diferencias entre PostgreSQL y otros gestores de bases de datos
05:31 - 12
Fundamentos de la Programación en Python
00:01 - 13

Procedimientos y Funciones en PostgreSQL: Creación y Uso
11:15 - 14

Creación y uso de funciones y triggers en bases de datos SQL
10:08 - 15

Funciones SQL para Ciencia de Datos: Consultas y Reportes Prácticos
13:23 - 16
Lenguajes Procedurales en PostgreSQL: PL/pgSQL y Extensiones Python
03:23 - 17

Definición de Tipos de Datos Personalizados en Bases de Datos
06:23
- 18

Diagrama Entidad-Relación en Sistemas de Renta de Películas
08:53 - 19

Agregación de Datos en SQL: Max, Min, Suma y Promedio
11:28 - 20

Planeación y Presentación Efectiva de Datos para Científicos de Datos
08:54 - 21

Manipulación de Datos JSON en PostgreSQL
10:49 - 22

Manipulación de Datos JSON en Bases de Datos Relacionales
06:26 - 23

Tablas Recursivas e Interactivas en SQL con Common Table Expressions
06:01 - 24

Funciones de Ventana en SQL para Ordenamiento y Rango de Datos
04:49 - 25

Manejo de Particiones en Bases de Datos: Ventajas y Desventajas
05:49
- 26

Creación de Dashboards con SQL para Análisis de Negocios
03:20 - 27

Top 10 Películas Más Rentadas: Consulta SQL Paso a Paso
08:01 - 28

Actualización de Precios de Películas con Tipos de Cambio en SQL
12:29 - 29

Rangos y Percentiles con Funciones de Ventana en SQL
06:31 - 30

Agrupación de Datos Geográficos por Ciudades en SQL
06:56 - 31

Análisis de Datos con Líneas de Tiempo en SQL
09:46 - 32

Visualización de Datos con Tableau para Científicos de Datos
07:22
¿Qué son las funciones de ventana en bases de datos?
Las funciones de ventana (window functions) son una característica poderosa que ofrece una perspectiva más profunda sobre los datos en una base de datos. Se utilizan para comparar un registro en particular con el resto de los registros dentro de una tabla o partición. Estas funciones nos permiten analizar y ordenar datos de una manera que sería muy complicada de lograr con consultas simples. No es necesario realizar cálculos matemáticos complejos, ya que las funciones de ventana hacen el trabajo pesado, permitiendo a los usuarios determinar rápida y eficazmente el orden, rango, y percentil de los registros en un dataset.
¿Cuál es la utilidad principal de las funciones de ventana?
Estas funciones son especialmente útiles para realizar:
-
Rankings y ordenamientos: Permiten ordenar los registros ya sea de manera ascendente o descendente, según un criterio específico. Por ejemplo, se podría querer saber cuál es el récord más alto en una empresa de ventas.
-
Análisis de particiones o tablas complejas: Pueden trabajar sobre tablas individuales o a través de datos complejos que resultan de uniones de múltiples tablas.
-
Comparaciones internas de datos: Al calcular el ranking o posición de un registro, las funciones de ventana consideran la totalidad de los datos, facilitando el entendimiento del posicionamiento relativo de cada registro en comparación con el conjunto completo.
¿Qué tipos de funciones de ventana existen?
Existen varios tipos de funciones de ventana, cada una adaptada a necesidades particulares:
- RANK(): Determina el rango de un registro dentro de un conjunto de registros. Dos registros pueden compartir el mismo rango si tienen valores idénticos.
- DENSE_RANK(): Similar al RANK(), pero no deja huecos en caso de valores duplicados. Esto asegura una continuidad en el ranking.
- ROW_NUMBER(): Asigna un número de fila único a cada registro, empezando desde uno.
- PERCENT_RANK(): Calcula el percentil de un registro dentro de un conjunto. Esto permite identificar qué porcentaje de registros se encuentran por debajo de un dato específico.
Estas herramientas resultan ser extremadamente valiosas para cualquier analista de datos o programador que busca obtener un entendimiento más profundo de sus datasets y extraer información útil de ellas sin el cansancio de cálculos intricados o configuraciones complejas. ¡Continúa explorando estas funciones para optimizar tus análisis y gestión de datos!