Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lära Datum- och Tidsfunktioner | Introduktion till BigQuery-specifika Funktioner
BigQuery-Grunder

bookDatum- och Tidsfunktioner

Svep för att visa menyn

Gå igenom praktiska datum- och tidsoperationer i BigQuery, med fokus på att extrahera komponenter, utföra tidsaritmetik och formatera temporala värden med verkliga frågeexempel. Dessa tekniker är avgörande vid analys av tidsbaserad data från flera källor eller regioner.

Extrahera datumkomponenter

BigQuery gör det möjligt att extrahera specifika delar av ett datum med hjälp av EXTRACT. EXTRACT(YEAR FROM sample_date) hämtar året från ett fullständigt datumvärde.

Detta används ofta för gruppering, filtrering eller aggregering av data efter år, månad eller andra tidsenheter.

Datum- och tidsaritmetik

BigQuery stöder addition och subtraktion av intervaller för att justera datum och tider:

  • DATE_ADD(sample_date, INTERVAL 5 DAY) flyttar ett datum framåt med en angiven period;
  • DATETIME_SUB(sample_datetime, INTERVAL 2 HOUR) subtraherar tid från ett datetime-värde.

Dessa operationer är användbara för att beräkna efterhändelsefönster, justera tidszoner eller korrigera fördröjningar vid inläsning och loggning.

Formatering av datum- och tidsvärden

Funktionen FORMAT_DATETIME konverterar datetime-värden till läsbara eller anpassade format. Det möjliggör omvandling av tidsstämplar till format som YYYY-MM-DD HH:MM.

Detta är särskilt användbart vid förberedelse av data för rapporter, instrumentpaneler eller nedströms system med specifika formateringskrav.

Varför det är viktigt

Tidsdata förekommer ofta i olika format och med olika noggrannhet. Vissa källor inkluderar tidszoner eller sekunder, medan andra endast lagrar datum. Datum- och tidsfunktioner gör det möjligt att standardisera denna data, möjliggöra tidsbaserad analys och säkerställa konsekvent tolkning över dataset.

Att behärska datum- och tidsfunktioner i BigQuery gör det möjligt att omvandla rå temporär data till anpassade, strukturerade och analysklara insikter — en avgörande färdighet vid arbete med globala eller flerkälliga dataset.

Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

Avsnitt 3. Kapitel 5

Fråga AI

expand

Fråga AI

ChatGPT

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Avsnitt 3. Kapitel 5
some-alt