Summary  
This chapter covers functions for extracting components from date and time values, performing arithmetic on dates and datetimes, and formatting temporal values into custom representations.  

General domain of usage  
Temporal data analysis

Gennemgang af **praktiske dato- og tidsoperationer i BigQuery** med fokus på udtræk af komponenter, udførelse af tidsaritmetik og formatering af tidsværdier ved hjælp af reelle forespørgselseksempler. Disse teknikker er essentielle ved analyse af tidsbaserede data fra flere kilder eller regioner.

### Udtræk af datokomponenter

BigQuery gør det muligt at udtrække specifikke dele af en dato ved hjælp af `EXTRACT`. `EXTRACT(YEAR FROM sample_date)` henter året fra en fuld datoværdi.

Dette bruges ofte til gruppering, filtrering eller aggregering af data efter år, måned eller andre tidsenheder.

### Dato- og tidsaritmetik

BigQuery understøtter addition og subtraktion af intervaller for at justere datoer og tidspunkter:

* `DATE_ADD(sample_date, INTERVAL 5 DAY)` flytter en dato fremad med en defineret periode;
* `DATETIME_SUB(sample_datetime, INTERVAL 2 HOUR)` trækker tid fra en datetime-værdi.

Disse operationer er nyttige til beregning af efter-begivenhedsvinduer, tilpasning af tidszoner eller korrektion af forsinkelser ved indlæsning og logning.

### Formatering af dato- og tidsværdier

Funktionen `FORMAT_DATETIME` konverterer datetime-værdier til læsbare eller brugerdefinerede formater. Den muliggør transformation af tidsstempler til formater som `YYYY-MM-DD HH:MM`.

Dette er især nyttigt ved forberedelse af data til rapporter, dashboards eller nedstrøms systemer med specifikke formateringskrav.

### Hvorfor det er vigtigt

Tidsdata forekommer ofte i forskellige formater og præcisionsniveauer. Nogle kilder inkluderer tidszoner eller sekunder, mens andre kun gemmer datoer. Dato- og tidsfunktioner gør det muligt at standardisere disse data, muliggøre tidsbaseret analyse og sikre ensartet fortolkning på tværs af datasæt.

Beherskelse af dato- og tidsfunktioner i BigQuery gør det muligt at omdanne rå tidsdata til tilpassede, strukturerede og analyseklare indsigter — en essentiel færdighed ved arbejde med globale eller fler-kilde datasæt.

Download Date and Time Table

Download Date and Time Examples Table

Dyk ned i grundlæggende principper for BigQuery-platformen og forvandl måden, du håndterer cloud-data på. Opnå færdigheder til at navigere i konsollen, administrere projekter og optimere forespørgselsomkostninger. Få praktisk erfaring med BigQuery-specifikke funktioner som array-operationer, geografiske data og datofunktioner. Udforsk avancerede optimeringsteknikker og lær hemmelighederne bag at opbygge maskinlæringsmodeller direkte i lageret ved hjælp af BigQuery ML.

Opnå en solid forståelse af BigQuery-miljøet, som adskiller sig fra traditionelle databaser. Lær at navigere i konsollen, administrere projekter og datasæt samt analysere omkostninger effektivt. Opbyg tillid til opsætning af dit arbejdsområde for effektiv dataanalyse.

Undersøg det grundlæggende i Query Engine for effektiv datahentning. Behersk teknikker til dataselektion og lær at analysere specifikke produktmålinger. Opdag ydeevnefunktioner og metoder til test af forespørgsler for at sikre, at analysen er både hurtig og præcis.

Udvid din viden ved at mestre BigQuerys unikke datatyper. Lær at håndtere komplekse array-operationer og manipulere dato- og tidsfunktioner. Udforsk geografiske funktioner for at løse lokalitetsbaserede udfordringer såsom beregning af afstande mellem byer.

Optimer arbejdsgangen ved at håndtere store tabeller og forbedre forespørgselsydelsen. Lær hemmelighederne bag effektiv fejlhåndtering for hurtig problemløsning. Opnå færdigheder til at vedligeholde et højtydende database-miljø.

Anvend din viden i virkelige scenarier. Lær at opbygge omfattende rapporter og integrere BigQuery med eksterne værktøjer. Omform rådata til handlingsorienterede forretningsindsigter gennem praktisk anvendelse og rapporteringsstrategier.

Dyk ned i grundlæggende BigQuery ML. Lær, hvordan man opretter og kører maskinlæringsmodeller ved hjælp af standard SQL uden at flytte data. Få praktisk erfaring med modelgennemgange til at forudsige resultater direkte på platformen.

Dato- og Tidsfunktioner

Udtræk af datokomponenter

Dato- og tidsaritmetik

Formatering af dato- og tidsværdier

Hvorfor det er vigtigt