Seminar Trino – SQL Advanced: komplexe Datentypen, Window Functions und JSON

Das Seminar vertieft analytisches SQL für komplexe und semi-strukturierte Daten. ARRAY, MAP, ROW, UNNEST, Lambda-Ausdrücke, JSON, Window Functions, Mustererkennung, Zeitreihen, approximative und georäumliche Funktionen sowie UDFs werden in wartbare, testbare Abfragemuster überführt.

Inhaltsübersicht

• Lernziele und fachliche Einordnung
• Schrittweise Seminarinhalte
• Praxisübungen und Laborszenarien
• Zielgruppe und Voraussetzungen
• Didaktik und Arbeitsweise

Lernziele

• Komplexe Datentypen sicher erzeugen, transformieren und entpacken.
• JSON-Daten standardkonform abfragen, validieren und erzeugen.
• Window Functions und Frames für anspruchsvolle Analysen einsetzen.
• Mustererkennung, Lambda- und approximative Funktionen gezielt nutzen.
• Fortgeschrittene SQL-Logik testbar und performant strukturieren.

Schrittweise Seminarinhalte

1. Typmodell und robuste Konvertierung

Schwerpunkt: Skalare und komplexe Typen, CAST, TRY_CAST, Decimal, Timestamp, Zeitzone, Nullwerte, Variant und Typprüfung.

1. Ausgangslage, fachliche Ziele, technische Abhängigkeiten und Abnahmekriterien für den Themenblock „Typmodell und robuste Konvertierung“ erfassen.
2. Relevante Komponenten, Datenobjekte, Rollen und Konfigurationsparameter anhand von Skalare und komplexe Typen, CAST, TRY_CAST, Decimal, Timestamp, Zeitzone, Nullwerte, Variant und Typprüfung. modellieren.
3. Die erforderliche Konfiguration, SQL-Abfrage oder Prozessfolge im Laborsystem schrittweise umsetzen und jeden Zwischenstand dokumentieren.
4. Funktion, Ausführungsplan, Datenzugriff, Berechtigungen, Ressourcenverbrauch und Fehlerverhalten mit definierten Positiv- und Negativfällen prüfen.
5. Als Arbeitsergebnis einen sicheren Typ- und Konvertierungskatalog dokumentieren, fachlich abnehmen und in einen wiederholbaren Standard überführen.

2. ARRAY, MAP und ROW

Schwerpunkt: Konstruktion, Zugriff, Filter, Transformation, Reduktion, Sortierung, verschachtelte Strukturen und Fehlerfälle.

1. Ausgangslage, fachliche Ziele, technische Abhängigkeiten und Abnahmekriterien für den Themenblock „ARRAY, MAP und ROW“ erfassen.
2. Relevante Komponenten, Datenobjekte, Rollen und Konfigurationsparameter anhand von Konstruktion, Zugriff, Filter, Transformation, Reduktion, Sortierung, verschachtelte Strukturen und Fehlerfälle. modellieren.
3. Die erforderliche Konfiguration, SQL-Abfrage oder Prozessfolge im Laborsystem schrittweise umsetzen und jeden Zwischenstand dokumentieren.
4. Funktion, Ausführungsplan, Datenzugriff, Berechtigungen, Ressourcenverbrauch und Fehlerverhalten mit definierten Positiv- und Negativfällen prüfen.
5. Als Arbeitsergebnis wiederverwendbare Muster für komplexe Daten dokumentieren, fachlich abnehmen und in einen wiederholbaren Standard überführen.

3. UNNEST, LATERAL und relationale Umformung

Schwerpunkt: UNNEST, WITH ORDINALITY, mehrere Arrays, Maps, korrelierte Ausdrücke, Zeilenvervielfachung und Rückaggregation.

1. Ausgangslage, fachliche Ziele, technische Abhängigkeiten und Abnahmekriterien für den Themenblock „UNNEST, LATERAL und relationale Umformung“ erfassen.
2. Relevante Komponenten, Datenobjekte, Rollen und Konfigurationsparameter anhand von UNNEST, WITH ORDINALITY, mehrere Arrays, Maps, korrelierte Ausdrücke, Zeilenvervielfachung und Rückaggregation. modellieren.
3. Die erforderliche Konfiguration, SQL-Abfrage oder Prozessfolge im Laborsystem schrittweise umsetzen und jeden Zwischenstand dokumentieren.
4. Funktion, Ausführungsplan, Datenzugriff, Berechtigungen, Ressourcenverbrauch und Fehlerverhalten mit definierten Positiv- und Negativfällen prüfen.
5. Als Arbeitsergebnis einen kontrollierten Normalisierungs- und Re-Aggregationsprozess dokumentieren, fachlich abnehmen und in einen wiederholbaren Standard überführen.

4. JSON-Funktionen und SQL/JSON

Schwerpunkt: json_exists, json_value, json_query, json_array, json_object, Pfade, Fehlerverhalten, Parsing, Formatierung und Persistenz.

1. Ausgangslage, fachliche Ziele, technische Abhängigkeiten und Abnahmekriterien für den Themenblock „JSON-Funktionen und SQL/JSON“ erfassen.
2. Relevante Komponenten, Datenobjekte, Rollen und Konfigurationsparameter anhand von json_exists, json_value, json_query, json_array, json_object, Pfade, Fehlerverhalten, Parsing, Formatierung und Persistenz. modellieren.
3. Die erforderliche Konfiguration, SQL-Abfrage oder Prozessfolge im Laborsystem schrittweise umsetzen und jeden Zwischenstand dokumentieren.
4. Funktion, Ausführungsplan, Datenzugriff, Berechtigungen, Ressourcenverbrauch und Fehlerverhalten mit definierten Positiv- und Negativfällen prüfen.
5. Als Arbeitsergebnis einen robusten JSON-Verarbeitungsworkflow dokumentieren, fachlich abnehmen und in einen wiederholbaren Standard überführen.

5. Window Functions und Frames

Schwerpunkt: Ranking, Lead, Lag, kumulative Werte, Rolling Windows, ROWS, RANGE, GROUPS, Partitionierung und deterministische Ordnung.

1. Ausgangslage, fachliche Ziele, technische Abhängigkeiten und Abnahmekriterien für den Themenblock „Window Functions und Frames“ erfassen.
2. Relevante Komponenten, Datenobjekte, Rollen und Konfigurationsparameter anhand von Ranking, Lead, Lag, kumulative Werte, Rolling Windows, ROWS, RANGE, GROUPS, Partitionierung und deterministische Ordnung. modellieren.
3. Die erforderliche Konfiguration, SQL-Abfrage oder Prozessfolge im Laborsystem schrittweise umsetzen und jeden Zwischenstand dokumentieren.
4. Funktion, Ausführungsplan, Datenzugriff, Berechtigungen, Ressourcenverbrauch und Fehlerverhalten mit definierten Positiv- und Negativfällen prüfen.
5. Als Arbeitsergebnis einen geprüften analytischen Window-Musterkatalog dokumentieren, fachlich abnehmen und in einen wiederholbaren Standard überführen.

6. Muster, Lambda und Spezialanalytik

Schwerpunkt: MATCH_RECOGNIZE, Lambda-Ausdrücke, approximate aggregates, HyperLogLog, T-Digest, Geospatial, Regex und Anwendungsgrenzen.

1. Ausgangslage, fachliche Ziele, technische Abhängigkeiten und Abnahmekriterien für den Themenblock „Muster, Lambda und Spezialanalytik“ erfassen.
2. Relevante Komponenten, Datenobjekte, Rollen und Konfigurationsparameter anhand von MATCH_RECOGNIZE, Lambda-Ausdrücke, approximate aggregates, HyperLogLog, T-Digest, Geospatial, Regex und Anwendungsgrenzen. modellieren.
3. Die erforderliche Konfiguration, SQL-Abfrage oder Prozessfolge im Laborsystem schrittweise umsetzen und jeden Zwischenstand dokumentieren.
4. Funktion, Ausführungsplan, Datenzugriff, Berechtigungen, Ressourcenverbrauch und Fehlerverhalten mit definierten Positiv- und Negativfällen prüfen.
5. Als Arbeitsergebnis eine zielgerichtete Auswahl fortgeschrittener Analysefunktionen dokumentieren, fachlich abnehmen und in einen wiederholbaren Standard überführen.

7. UDFs, Qualität und Performance

Schwerpunkt: SQL- und Python-UDFs, Modularisierung, Tests, Datenqualität, EXPLAIN, Wiederverwendung, Dokumentation und Performancegrenzen.

1. Ausgangslage, fachliche Ziele, technische Abhängigkeiten und Abnahmekriterien für den Themenblock „UDFs, Qualität und Performance“ erfassen.
2. Relevante Komponenten, Datenobjekte, Rollen und Konfigurationsparameter anhand von SQL- und Python-UDFs, Modularisierung, Tests, Datenqualität, EXPLAIN, Wiederverwendung, Dokumentation und Performancegrenzen. modellieren.
3. Die erforderliche Konfiguration, SQL-Abfrage oder Prozessfolge im Laborsystem schrittweise umsetzen und jeden Zwischenstand dokumentieren.
4. Funktion, Ausführungsplan, Datenzugriff, Berechtigungen, Ressourcenverbrauch und Fehlerverhalten mit definierten Positiv- und Negativfällen prüfen.
5. Als Arbeitsergebnis eine wartbare Advanced-SQL- und UDF-Bibliothek dokumentieren, fachlich abnehmen und in einen wiederholbaren Standard überführen.

Praxisübungen und Laborszenarien

• Transformation verschachtelter ARRAY-, MAP- und ROW-Strukturen.
• Auswertung und Erzeugung komplexer JSON-Dokumente.
• Entwicklung einer Zeitreihenanalyse mit Window Frames und Pattern Recognition.

Zielgruppe und Voraussetzungen

Zielgruppe: Data Analysts, Analytics Engineers, Data Engineers, BI-Entwicklung und SQL-Entwicklung.

Voraussetzungen: Sichere SQL-Grundkenntnisse einschließlich Joins, Aggregationen, CTEs und Window-Function-Grundlagen.

Didaktik und Arbeitsweise

Kurze Fachimpulse werden unmittelbar durch Demonstrationen, strukturierte Konfigurations- oder SQL-Schritte, praktische Übungen und kontrollierte Fehlerfälle vertieft. Jede Übung verwendet definierte Ausgangswerte, Prüfpunkte und Dokumentationsanforderungen, damit die erarbeiteten Abläufe als technischer Standard wiederholbar bleiben.