Datum- und Zeitfunktionen

Durchlauf von praktischen Datums- und Zeitoperationen in BigQuery mit Fokus auf das Extrahieren von Komponenten, das Durchführen von Zeit-Arithmetik und das Formatieren temporaler Werte anhand realer Abfragebeispiele. Diese Techniken sind unerlässlich bei der Analyse zeitbasierter Daten aus mehreren Quellen oder Regionen.

Extrahieren von Datumskomponenten

BigQuery ermöglicht das Extrahieren bestimmter Teile eines Datums mit EXTRACT. EXTRACT(YEAR FROM sample_date) gibt das Jahr aus einem vollständigen Datum zurück.

Dies wird häufig zum Gruppieren, Filtern oder Aggregieren von Daten nach Jahr, Monat oder anderen Zeiteinheiten verwendet.

Datums- und Zeit-Arithmetik

BigQuery unterstützt das Hinzufügen und Subtrahieren von Intervallen zur Anpassung von Daten und Zeiten:

• DATE_ADD(sample_date, INTERVAL 5 DAY) verschiebt ein Datum um einen definierten Zeitraum nach vorne;
• DATETIME_SUB(sample_datetime, INTERVAL 2 HOUR) zieht Zeit von einem Datetime-Wert ab.

Diese Operationen sind nützlich zur Berechnung von Zeitfenstern nach Ereignissen, zur Angleichung von Zeitzonen oder zur Korrektur von Verzögerungen bei der Erfassung und Protokollierung.

Formatieren von Datums- und Zeitwerten

Die Funktion FORMAT_DATETIME wandelt Datetime-Werte in lesbare oder benutzerdefinierte Formate um. Sie ermöglicht die Umwandlung von Zeitstempeln in Formate wie YYYY-MM-DD HH:MM.

Dies ist besonders hilfreich bei der Aufbereitung von Daten für Berichte, Dashboards oder nachgelagerte Systeme mit spezifischen Formatierungsanforderungen.

Warum das wichtig ist

Zeitdaten liegen oft in unterschiedlichen Formaten und Genauigkeitsstufen vor. Einige Quellen enthalten Zeitzonen oder Sekunden, während andere nur das Datum speichern. Datums- und Zeitfunktionen ermöglichen die Standardisierung dieser Daten, eine zeitbasierte Analyse und eine konsistente Interpretation über Datensätze hinweg.

Das Beherrschen von Datums- und Zeitfunktionen in BigQuery ermöglicht die Umwandlung von rohen temporalen Daten in abgestimmte, strukturierte und analysebereite Erkenntnisse — eine wesentliche Fähigkeit bei der Arbeit mit globalen oder mehrquelligen Datensätzen.