MAQL I. - MAQL vs SQL | Mňamka #427

Pro ty, kteří se pohybují v datovém světě, jsou dotazovací jazyky denním chlebem. Jak se říkává, kolik jazyků umíš, tolikrát jsi člověkem. Platí i „kolik dotazovacích jazyků umíš, tolikrát jsi datovým analytikem?“ Ať už v budoucnu budou podobná přísloví vznikat nebo nikoli, není na škodu si rozšířit obzory o jeden další dotazovací jazyk, kterým je dozajista i MAQL. Pro MAQL jsem si připravila takovou minisérii Mňamek, kde si ukážeme, co všechno se MAQLem dá dělat a k čemu vám může být užitečný.

Co to je MAQL?

Jak už bylo řečeno, MAQL aneb Multi-Dimension Analytical Query Language je dotazovací jazyk, se kterým se setkáte při práci v GoodDatě. Tento dotazovací jazyk pracuje s fakty a dimenzemi z datového modelu vašeho workspacu a nabízí vám jedinečnou šanci si nad vašimi daty postavit metriky. Těmito metrikami můžete data filtrovat, agregovat a provádět nad nimi i všechny základní matematické operace a zároveň MAQL nabízí i předdefinované statistických operace. „To je všechno hezké,“ říkáte si, „ale jakou to má výhodu oproti tomu, když si tyhle operace nadefinuji v SQL?“

MAQL vs SQL

Pokud jste zarytými fanoušky SQL, jako osvědčené klasiky, tak nebojte, on MAQL z SQL samozřejmě vychází. Přináší ale výhody v jednoduchosti a uživatelské přívětivosti. Pokud byste totiž stejné operace prováděli v SQL, museli byste si pečlivě hlídat, kterou tabulku můžete najoinovat kam a provádět i několik joinů, abyste pospojovali data, která spolu souvisí. MAQL tohle udělá za vás, pracuje totiž s předem nadefinovaným logickým datovým modelem vašeho workspacu a vy si díky tomu můžete spoustu příkazů odpustit. Rozloučit se můžete například s částmi jako je FROM, JOIN či ON, co ale zůstává je SELECT, protože ani na ten se v MAQLu nedá dopustit.

Zde jsou vytvořené příklady, kde je vidět, kolik práce vám MAQL ušetří.

Výhody MAQL:

  • časová úspora
  • zjednodušení query
  • přehlednost
  • pracuje automaticky s modelem
  • vytvořené metriky můžete přepoužít i v dalších metrikách

Nevýhody MAQL:

  • datový model si musíte nejprve nadefinovat
  • nenabízí tolik funkcí jako SQL
  • pouze v GoodData

Ať už vás MAQL zaujal či ne, jsem ráda, že jste si článek dočetli až sem a jestli vás cokoliv dalšího napadá nebo zajímá ohledně MAQL, dejte mi vědět!

Mějte se krásně a nebojte se dotazovat v žádném dotazovacích jazyce.

Máte k článku nějaké otázky nebo připomínky? Klidně nám napište, rádi to s Vámi probereme :-)

Petra Nedvědová
datový detektiv
LinkedIn

Dataři: Kdo jsme a jak už si nás mezi sebou neplést | Mňamka #526

Dataři: Kdo jsme a jak už si nás mezi sebou neplést | Mňamka #526

Jaké role můžete poznat v oblasti datové analýzy? Role jako je např. datový inženýr, datový analytik a datový vědec, a jaká je jejich funkce a proč je důležité rozlišovat mezi těmito profesemi? Vysvětlíme, jak každá z těchto rolí přispívá k Business Intelligence a jaké jsou jejich klíčové rozdíly.

Data Storytelling: Rychlé vs Pomalé datové myšlení | Mňamka #525

Data Storytelling: Rychlé vs Pomalé datové myšlení | Mňamka #525

Znáte ten pocit, když se už několik desítek minut hrabete ve složité tabulce a stále nemůžete najít odpovědi na svoje otázky? My už dávno ne. Umíme si totiž najít zkratku z pomalého myšlení do toho rychlého.

Keboola a Kai PromtLab | Mňamka #524

Keboola a Kai PromtLab | Mňamka #524

Objavte PromptLab, sofistikované riešenie od Kebooly a Kai PromtLab na zlepšenie interakcií s umelou inteligenciou. V tomto článku sa dozviete, ako PromptLab využíva technológiu Streamlit na automatické prispôsobovanie výziev za účelom dosiahnutia lepšej jasnosti a presnosti vo vašich projektoch. Oboznámte sa s intuitívnym rozhraním, ktoré vám umožní porovnávať výsledky a optimalizovať pracovné postupy.