[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"layout-ticker":3,"$f6ZCob24lGPS28Q5Et56tz-iOKMDM3j8R2WKjt0_jeEY":208,"$fjJAsTO-jE0hAKkmtOgQV33e18L7bahTWFNX8NL9bzaM":236,"atoms-zaawansowane-funkcje-okna-sql-jak-przestac-tracic-czas-na-excelu-i-zaczac-analizowac-dane-tam-gdzie-one-sa":333},[4,10,16,21,26,31,36,41,46,51,56,61,66,72,77,82,87,92,97,102,107,112,118,123,128,133,138,143,148,153,158,163,168,173,178,183,188,193,198,203],{"slug":5,"draft_id":6,"pillar_id":8},"jak-legalon-obnizyla-koszty-modeli-kodowych-o-65-bez-spowolnienia-pracy-i-jak-to-zrobic-w-twojej-firmie-jaqm",{"title":7},"LegalOn obniżyła dzienne koszty Codex o 65% — jak to działa",{"name":9},"Narzędzia AI",{"slug":11,"draft_id":12,"pillar_id":14},"ai-w-badaniach-kwantowych-jak-jump-trading-automatyzuje-prace-analitykow-w-30-mniej-czasu",{"title":13},"Agenci AI w badaniach ilościowych: przykład Jump Trading",{"name":15},"Praktyczne zastosowania",{"slug":17,"draft_id":18,"pillar_id":20},"jak-asana-obnizyla-koszty-testow-browserowych-o-76-razy-i-jak-to-zrobic-w-twojej-firmie-juz-teraz",{"title":19},"Agenci przeglądarkowi AI w testach: jak Asana obniżyła koszty 76 razy",{"name":15},{"slug":22,"draft_id":23,"pillar_id":25},"jak-ai-w-atlassian-openai-automatyzuje-prace-zespolow-i-jak-to-zrobic-w-twojej-firmie",{"title":24},"Atlassian i OpenAI: co daje ChatGPT i Codex w Jirze — stan na 2026",{"name":9},{"slug":27,"draft_id":28,"pillar_id":30},"jak-ai-przyspiesza-prace-zespolow-it-o-30-ale-tylko-jesli-wiesz-jak-zintegrowac-ja-z-kodem-i-dokumentacja",{"title":29},"Ile naprawdę daje AI zespołowi programistów? Badania, ceny, pomiar",{"name":9},{"slug":32,"draft_id":33,"pillar_id":35},"jak-ai-z-atlassianem-i-openai-przyspiesza-prace-zespolowa-ale-czy-warto-wdrazac-to-w-twojej-firmie",{"title":34},"ChatGPT w firmie: plany Business, ceny i bezpieczeństwo danych (2026)",{"name":9},{"slug":37,"draft_id":38,"pillar_id":40},"jak-zautomatyzowac-analize-danych-w-twojej-firmie-bez-it-i-zaoszczedzic-40-budzetu",{"title":39},"Analiza danych bez działu IT: agenci AI i automatyzacja w 2026",{"name":9},{"slug":42,"draft_id":43,"pillar_id":45},"jak-data-agent-w-chatgpt-work-oszczedza-20-30-czasu-analitykow-bez-kodowania",{"title":44},"Data agent w ChatGPT Work: co potrafi analityk bez kodowania",{"name":9},{"slug":47,"draft_id":48,"pillar_id":50},"jak-ai-zwieksza-wydajnosc-inzynierow-o-21-i-jak-to-zrobic-w-twojej-firmie",{"title":49},"Jak Codex zwiększa wydajność inżynierów — case study 1Password i",{"name":15},{"slug":52,"draft_id":53,"pillar_id":55},"chatgpt-przyspiesza-prace-marketingowa-o-90-jak-to-zrobic-w-twojej-firmie",{"title":54},"ChatGPT Work w marketingu: co przyspiesza, a czego nie zastąpi",{"name":15},{"slug":57,"draft_id":58,"pillar_id":60},"kontrola-agentow-ai-kiedy-twoja-firma-traci-wplyw-nad-dzialaniami-automatyzacji",{"title":59},"Kontrola agentów AI: jak firma zachowuje wpływ nad automatyzacją",{"name":15},{"slug":62,"draft_id":63,"pillar_id":65},"fsm-runtime-vs-llm-dlaczego-polskie-firmy-placa-za-bledne-mutacje-stanu",{"title":64},"FSM runtime vs. LLM: dlaczego polskie firmy płacą za błędne mutacje stanu",{"name":15},{"slug":67,"draft_id":68,"pillar_id":70},"csv-do-raportu-dla-zarzadu-w-30-minut-bez-excela-bez-bolu-glowy",{"title":69},"Raport zarządczy z CSV w kilka minut — jak Claude i Copilot zastępują",{"name":71},"Tutoriale how-to",{"slug":73,"draft_id":74,"pillar_id":76},"jak-zbudowac-wlasny-pipeline-grafow-wiedzy-z-tekstu-w-6-krokach-i-kiedy-to-nie-warto",{"title":75},"Grafy wiedzy z tekstu: kiedy się opłacają, a kiedy to marnotrawstwo",{"name":71},{"slug":78,"draft_id":79,"pillar_id":81},"wspoldzielona-pamiec-dla-agentow-ai-jak-21-wezlow-zmienilo-koszty-debugowania-w-7-domenach",{"title":80},"Współdzielona pamięć agentów AI: jak działa i kiedy się opłaca",{"name":15},{"slug":83,"draft_id":84,"pillar_id":86},"jak-banki-chronia-swoje-algorytmy-i-dlaczego-twoje-agencje-ai-sa-bezbronne",{"title":85},"AI w bankach 2026: jak chronić algorytmy przed zagrożeniami",{"name":15},{"slug":88,"draft_id":89,"pillar_id":91},"agenci-ai-nie-zastepuja-ludzi-tworza-im-nowe-mozliwosci-jak-basis-clay-i-exa-labs-przeksztalcaja-procesy-w-zdolnosci-operacyjne",{"title":90},"Basis, Clay i Exa Labs: co robią agenci AI, a co zostaje człowiekowi",{"name":15},{"slug":93,"draft_id":94,"pillar_id":96},"jak-ocenic-llm-w-produkcji-bez-polegan-na-vibes-trzy-proste-reguly-w-pythonie",{"title":95},"Jak ocenić LLM w produkcji bez „vibes”? Reguły i metryki w Pythonie",{"name":15},{"slug":98,"draft_id":99,"pillar_id":101},"figma-ai-asystent-czy-twoi-projektanci-moga-zrezygnowac-z-myszki",{"title":100},"Figma AI agent: co potrafi asystent projektowania w 2026?",{"name":9},{"slug":103,"draft_id":104,"pillar_id":106},"heym-vs-tradycyjne-narzedzia-kiedy-agent-ai-przestaje-byc-dodatkiem-i-staje-sie-domyslnym-blokiem",{"title":105},"Agent AI jako domyślny blok workflow: Heym, n8n, Make i Zapier w 2026",{"name":9},{"slug":108,"draft_id":109,"pillar_id":111},"langchain-w-pipeline-ie-retrievalowym-sprawdzilismy-to-nie-dziala-tak-jak-sie-wydaje",{"title":110},"LangChain w RAG: co robi, gdzie zwalnia i kiedy go zostawić",{"name":15},{"slug":113,"draft_id":114,"pillar_id":116},"autonomiczny-bot-ai-zhackowal-projekty-microsoftu-i-innych-firm-jak-to-dziala-i-co-to-oznacza-dla-open-source",{"title":115},"Lokalne modele AI w 2026: Ollama, LM Studio i modele polskie",{"name":117},"News & analizy",{"slug":119,"draft_id":120,"pillar_id":122},"ai-nie-jest-najwiekszym-zagrozeniem-to-twoi-pracownicy-otwieraja-drzwi-hakerom",{"title":121},"Exploity i skradzione hasła zamiast AI — co naprawdę atakuje firmy w",{"name":117},{"slug":124,"draft_id":125,"pillar_id":127},"ue-chce-zmusic-google-do-otwarcia-androida-na-konkurencyjne-asystenty-ai-co-to-oznacza-dla-polskich-firm",{"title":126},"Komisja Europejska nakazała Google otworzyć Androida dla",{"name":117},{"slug":129,"draft_id":130,"pillar_id":132},"twoja-architektura-multi-agent-kosztuje-5000-pln-miesiac-na-tokenach-jak-to-zmienic",{"title":131},"Koszty tokenów w architekturze multi-agent: jak je policzyć i obniżyć",{"name":71},{"slug":134,"draft_id":135,"pillar_id":137},"agent-ai-dostal-dostep-do-twoich-systemow-czy-twoja-firma-jest-gotowa",{"title":136},"OWASP Top 10 dla LLM 2026: co zmienia się dla firm z agentami AI",{"name":117},{"slug":139,"draft_id":140,"pillar_id":142},"rag-w-produkcji-dlaczego-80-projektow-zawodzi-juz-po-pierwszym-deploymencie",{"title":141},"RAG w produkcji: od demo do systemu, który działa — co się zmienia",{"name":15},{"slug":144,"draft_id":145,"pillar_id":147},"jak-zbudowac-kontrolna-warstwe-dla-llm-w-produkcji-przyklad-z-100-niezawodnoscia",{"title":146},"Walidacja outputu lokalnych LLM w produkcji: JSON mode, structured",{"name":15},{"slug":149,"draft_id":150,"pillar_id":152},"chi-2026-dlaczego-apple-stawia-na-barcelone-i-co-to-oznacza-dla-twojego-biznesu",{"title":151},"CHI 2026 w Barcelonie: co Apple zaprezentowało naukowcom i jak to",{"name":117},{"slug":154,"draft_id":155,"pillar_id":157},"czy-polska-moze-powtorzyc-sukces-singapuru-ai-w-walce-z-nielegalnym-handlem-gatunkami",{"title":156},"Fin Finder: jak AI pomaga celnikom rozpoznawać płetwy rekinów",{"name":117},{"slug":159,"draft_id":160,"pillar_id":162},"odpowiedzialna-ai-w-microsoft-350-inzynierow-etyki-vs-87-polskich-firm-bez-polityki",{"title":161},"Odpowiedzialna AI w firmach: od zasad Microsoftu do wymogów AI Act",{"name":117},{"slug":164,"draft_id":165,"pillar_id":167},"midi-2020-co-naprawde-zmienilo-sie-w-polskim-ai-po-tej-konferencji",{"title":166},"MIDI 2020: ósma edycja konferencji o inteligentnych maszynach",{"name":117},{"slug":169,"draft_id":170,"pillar_id":172},"dall-e-2-jak-polskie-firmy-moga-zarabiac-na-tekscie-ktory-maluje-obrazy",{"title":171},"Generatory obrazów AI w 2026: co potrafią i jak wybrać narzędzie",{"name":117},{"slug":174,"draft_id":175,"pillar_id":177},"proces-muska-vs-altman-dlaczego-polskie-firmy-ai-wstrzymaly-inwestycje-na-3-miesiace",{"title":176},"Proces Muska vs. Altman: co ujawnił o przyszłości OpenAI i biznesu AI",{"name":117},{"slug":179,"draft_id":180,"pillar_id":182},"lingbot-world-fast-17-fps-w-generowaniu-wideo-czy-to-wystarczy-zeby-wyprzedzic-stability-ai",{"title":181},"LingBot-World-Fast: co potrafi otwarty world model Robbyant",{"name":9},{"slug":184,"draft_id":185,"pillar_id":187},"calowanie-robotow-biznesowy-sens-czy-naukowy-eksperyment",{"title":186},"Roboty społeczne w Polsce: od eksperymentu do praktyki",{"name":117},{"slug":189,"draft_id":190,"pillar_id":192},"gemini-3-5-vs-gpt-5-5-kto-oszukuje-a-kto-naprawde-buduje",{"title":191},"GPT-5.5 vs Gemini 3.5: co naprawdę wiadomo w 2026 roku",{"name":9},{"slug":194,"draft_id":195,"pillar_id":197},"sensenova-vs-flux-klein-ktore-narzedzie-do-edycji-obrazow-ai-oszczedzi-ci-120-godzin-pracy-rocznie",{"title":196},"SenseNova U1.5 vs FLUX 3 Image Klein: co wybrać do edycji zdjęć",{"name":9},{"slug":199,"draft_id":200,"pillar_id":202},"czy-agi-naprawde-nadejdzie-za-kilka-lat-demis-hassabis-kontra-polska-rzeczywistosc",{"title":201},"Kiedy powstanie AGI? Co naprawdę powiedział Demis Hassabis",{"name":117},{"slug":204,"draft_id":205,"pillar_id":207},"inzynieria-promptow-jak-zaczac-bez-wydawania-zlotowki",{"title":206},"Inżynieria promptów: jak zacząć bez wydawania złotówki",{"name":71},[209],{"id":210,"slug":211,"page_type":212,"hub_slug":213,"cover_image":214,"published_at":215,"last_refreshed_at":216,"reviewed_at":217,"reviewed_by":217,"reading_time_min":218,"pillar_id":219,"author_id":223,"draft_id":230},"29c2cc3e-297c-45aa-971a-ac995e4f802b","zaawansowane-funkcje-okna-sql-jak-przestac-tracic-czas-na-excelu-i-zaczac-analizowac-dane-tam-gdzie-one-sa","article","ai-do\u002Fprezentacji","1d578706-cad1-47ea-b1a9-ffa5a373c5d3","2026-08-18T05:44:09.600Z","2026-10-25T12:11:16.998Z",null,8,{"id":220,"name":71,"slug":221,"color_token":222},"d6c684e6-7b4c-40d9-907b-469f30dc2126","tutoriale-how-to","olive",{"display_name":224,"slug":225,"bio_short":226,"social_links":227},"Andrzej Niemiec","andrzej-niemiec","Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.",{"linkedin":228,"x":217,"github":217,"website":229},"https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fandrzej-niemiec-b3ab60220\u002F","https:\u002F\u002Faion-automation.pl",{"title":231,"meta_description":232,"body_mdx":233,"word_count":234,"schema_type":235},"Funkcje okna SQL w 2026: jak analizować dane bez eksportu do Excela","Funkcje okna SQL pozwalają obliczać średnie kroczące, rankingi i anomalie bez grupowania wierszy. Przewodnik z przykładami dla PostgreSQL, BigQuery i Snowflake.","## Czym są funkcje okna i jak się różnią od GROUP BY?\n\nFunkcje okna to funkcje SQL, które obliczają wartość dla każdego wiersza na podstawie zdefiniowanego \"okna\" — zbioru wierszy powiązanych z bieżącym rekordem. Klauzula `OVER()` definiuje to okno za pomocą `PARTITION BY` (podział na grupy), `ORDER BY` (kolejność) i ramki (`ROWS` lub `RANGE`). W odróżnieniu od `GROUP BY`, które redukuje liczbę wierszy, funkcje okna zwracają wynik dla każdego rekordu [1].\n\n## Jak obliczyć średnią kroczącą bez Excela?\n\nŚrednia krocząca to jeden z najpopularniejszych zastosowań funkcji okna. Poniższe zapytanie oblicza średnią sprzedaży z ostatnich siedmiu dni dla każdego dnia:\n\n```sql\nSELECT\n    sale_date,\n    sales_amount,\n    AVG(sales_amount) OVER (\n        ORDER BY sale_date\n        ROWS BETWEEN 6 PRECEDING AND CURRENT ROW\n    ) AS moving_avg_7d\nFROM daily_sales\nORDER BY sale_date;\n```\n\nKlauzula `ROWS BETWEEN 6 PRECEDING AND CURRENT ROW` definiuje okno obejmujące bieżący dzień i sześć poprzednich dni. Wynik to tabela z trzema kolumnami: datą, sprzedażą i średnią kroczącą [1].\n\nZaletą tego podejścia jest automatyzacja — każde uruchomienie zapytania przelicza średnią na podstawie aktualnych danych, bez ręcznej interwencji. Wyniki można od razu wizualizować w narzędziach BI lub eksportować do raportu [2].\n\n## Kiedy używać ROWS, a kiedy RANGE?\n\nDwie klauzule definiują ramkę okna: `ROWS` i `RANGE`. `ROWS` liczy fizyczne wiersze, natomiast `RANGE` odnosi się do wartości sortowania i może obejmować wiele wierszy z tą samą wartością.\n\nPrzykład: jeśli w danych są dwie transakcje z tej samej daty, `ROWS BETWEEN 1 PRECEDING AND CURRENT ROW` uwzględni tylko jedną poprzednią transakcję (fizycznie), a `RANGE BETWEEN 1 DAY PRECEDING AND CURRENT ROW` uwzględni wszystkie transakcje z poprzedniego dnia [2].\n\nDla danych dziennych zwykle wystarczy `ROWS`. Dla danych z wieloma rekordami na tę samą datę warto rozważyć `RANGE` lub dodać dodatkowy klucz sortowania, np. `ORDER BY sale_date, transaction_id`, aby wynik był jednoznaczny [1].\n\n## Segmentacja klientów za pomocą NTILE()\n\nFunkcja `NTILE()` dzieli dane na równe grupy (kwintyle, kwartyle itp.). Poniższe zapytanie dzieli klientów na pięć segmentów według wartości zakupów:\n\n```sql\nSELECT\n    customer_id,\n    total_spent,\n    NTILE(5) OVER (ORDER BY total_spent DESC) AS segment\nFROM customers;\n```\n\nKlient z najwyższymi wydatkami trafi do segmentu 1, a z najniższymi — do segmentu 5. Każdy segment zawiera mniej więcej tę samą liczbę klientów [1].\n\nZastosowanie: segmentacja RFM (Recency, Frequency, Monetary), przypisywanie rabatów, personalizacja oferty. Zaleta `NTILE()` to powtarzalność — ten sam podział przy każdym uruchomieniu. Wada: nie uwzględnia naturalnych \"przerw\" w danych; jeśli klienci naturalnie grupują się wokół pewnych wartości, segmenty mogą nie odzwierciedlać rzeczywistych grup [1].\n\n## Wykrywanie anomalii za pomocą LAG() i LEAD()\n\nFunkcje `LAG()` i `LEAD()` zwracają wartość z poprzedniego lub następnego wiersza. Można ich użyć do porównania sprzedaży z dniem poprzednim i wykrycia nagłych spadków:\n\n```sql\nSELECT\n    sale_date,\n    sales_amount,\n    LAG(sales_amount) OVER (ORDER BY sale_date) AS prev_day_sales,\n    CASE\n        WHEN sales_amount \u003C 0.7 * LAG(sales_amount) OVER (ORDER BY sale_date)\n        THEN 'ALERT'\n        ELSE 'OK'\n    END AS status\nFROM daily_sales\nORDER BY sale_date;\n```\n\nJeśli sprzedaż spadnie poniżej 70% wartości z poprzedniego dnia, zapytanie generuje alert. Zastosowania: monitorowanie awarii terminali płatniczych, spadków konwersji na stronie, opóźnień w dostawach [1].\n\nOgraniczenie: `LAG()` i `LEAD()` działają tylko na posortowanych danych. Jeśli tabela nie ma naturalnego porządku, najpierw trzeba zdefiniować kolejność za pomocą `ORDER BY`.\n\n## Porównywanie wyników między oddziałami za pomocą FIRST_VALUE() i LAST_VALUE()\n\nFunkcje `FIRST_VALUE()` i `LAST_VALUE()` zwracają wartość z pierwszego lub ostatniego wiersza w oknie. Można ich użyć do porównania sprzedaży oddziału z najlepszym oddziałem w regionie:\n\n```sql\nSELECT\n    branch_id,\n    sales,\n    FIRST_VALUE(sales) OVER (\n        PARTITION BY region\n        ORDER BY sales DESC\n    ) AS top_branch_sales,\n    ROUND(100.0 * sales \u002F FIRST_VALUE(sales) OVER (\n        PARTITION BY region\n        ORDER BY sales DESC\n    ), 1) AS pct_of_top\nFROM branch_sales;\n```\n\nWynik to procent — 100% oznacza, że oddział jest liderem, a 50% — że osiąga połowę sprzedaży najlepszego. Wada: `FIRST_VALUE()` i `LAST_VALUE()` zwracają wartości tylko dla pierwszego i ostatniego wiersza w oknie; dla wartości z dowolnego innego wiersza trzeba użyć `NTH_VALUE()` [1].\n\n## Porównanie funkcji okna między silnikami SQL\n\n| Funkcja | PostgreSQL | BigQuery | Snowflake | Opis |\n|---|---|---|---|---|\n| `ROW_NUMBER()` | ✓ | ✓ | ✓ | Numeruje wiersze w oknie |\n| `RANK()`, `DENSE_RANK()` | ✓ | ✓ | ✓ | Ranking z przerwami lub bez |\n| `LAG()`, `LEAD()` | ✓ | ✓ | ✓ | Wartość z poprzedniego\u002Fnastępnego wiersza |\n| `FIRST_VALUE()`, `LAST_VALUE()` | ✓ | ✓ | ✓ | Wartość z pierwszego\u002Fostatniego wiersza |\n| `NTH_VALUE()` | ✓ | ✓ | ✓ | Wartość z n-tego wiersza |\n| `NTILE()` | ✓ | ✓ | ✓ | Podział na grupy równej wielkości |\n| `AVG()`, `SUM()`, `COUNT()` OVER | ✓ | ✓ | ✓ | Agregacja bez grupowania |\n| `QUALIFY` (filtrowanie okna) | ✗ | ✓ | ✓ | Filtrowanie wyników funkcji okna w WHERE |\n| Nazwane okna (`WINDOW ... AS`) | ✓ | ✓ | ✓ | Definiowanie okna raz, użycie wielokrotnie |\n\nPostgreSQL, BigQuery i Snowflake obsługują wszystkie podstawowe funkcje okna. Różnice pojawiają się w szczegółach: BigQuery i Snowflake mają `QUALIFY` do filtrowania wyników funkcji okna; PostgreSQL wymaga podzapytania lub CTE [2] [3] [4].\n\n## Najczęstsze błędy i jak ich unikać\n\n### Błąd 1: Zbyt szerokie partycje\n\nZdefiniowanie `PARTITION BY` na całej tabeli zamiast na konkretnej kolumnie może spowolnić zapytanie. Zawęź partycje do niezbędnego minimum — jeśli potrzebujesz running total tylko dla ostatniego roku, dodaj filtr `WHERE` przed zastosowaniem funkcji okna [1].\n\n### Błąd 2: Mylenie ROWS i RANGE\n\n`ROWS BETWEEN` liczy fizyczne wiersze, a `RANGE BETWEEN` odnosi się do wartości sortowania. Przy danych z wieloma rekordami na tę samą datę `ROWS` może pominąć część danych. Użyj `RANGE`, jeśli chcesz uwzględnić wszystkie wiersze z tą samą wartością klucza sortowania [2].\n\n### Błąd 3: Ignorowanie wydajności\n\nFunkcje okna na dużych tabelach mogą być wolne. Rozwiązania: zamień tekstowe kolumny na identyfikatory liczbowe, dodaj indeksy na kolumnach używanych w `PARTITION BY` i `ORDER BY`, ogranicz liczbę wierszy za pomocą `WHERE` [1].\n\n### Błąd 4: Niezdefiniowana kolejność remisów\n\nJeśli wiele wierszy ma tę samą wartość `ORDER BY`, kolejność może być nieokreślona. Dodaj dodatkowy klucz sortowania, np. `ORDER BY sale_date, transaction_id`, aby wynik był powtarzalny [1].\n\n## Jak zacząć: praktyczne kroki\n\n**Krok 1: Zidentyfikuj problem biznesowy.** Szukaj scenariuszy, w których Twoja firma ręcznie oblicza średnie kroczące, segmentuje klientów, wykrywa anomalie lub porównuje wyniki między oddziałami.\n\n**Krok 2: Przetestuj zapytanie na próbce danych.** Wyeksportuj 1000–5000 wierszy do testowej bazy, napisz i przetestuj zapytanie, porównaj wyniki z dotychczasowymi metodami.\n\n**Krok 3: Zintegruj wyniki z narzędziami BI.** Zapisz zapytanie jako widok (`CREATE VIEW`) lub procedurę składowaną, połącz z Power BI, Tableau lub Metabase, zautomatyzuj odświeżanie danych [1].\n\n## Najczęstsze pytania\n\n### Czy funkcje okna działają na wszystkich bazach danych?\n\nFunkcje okna są obsługiwane przez PostgreSQL, MySQL 8.0+, SQL Server 2012+, Oracle, BigQuery i Snowflake. Starsze wersje mogą wymagać aktualizacji. Składnia i dostępne funkcje różnią się między silnikami [1] [2].\n\n### Czy mogę filtrować wyniki funkcji okna w WHERE?\n\nW PostgreSQL trzeba użyć podzapytania lub CTE. BigQuery i Snowflake mają `QUALIFY` do filtrowania wyników funkcji okna bezpośrednio w zapytaniu [2] [3].\n\n### Czy funkcje okna są szybsze niż Excel?\n\nTak. Obliczenia w SQL są wykonywane na serwerze bazy danych, co jest szybsze niż przetwarzanie w Excelu, szczególnie dla dużych zbiorów danych. Excel jest lepszy do jednorazowych analiz i prototypowania; SQL do automatyzacji i raportów [1].\n\n### Czy mogę użyć funkcji okna w Google Sheets?\n\nGoogle Sheets nie ma natywnych funkcji okna. Możesz użyć `QUERY()` z SQL-podobną składnią, ale możliwości są ograniczone. Do zaawansowanej analizy warto przenieść dane do BigQuery i użyć tam funkcji okna [3].\n\n### Jakie są limity funkcji okna?\n\nFunkcje okna działają tylko na danych już załadowanych do bazy. Jeśli dane są rozproszone po arkuszach Excel, najpierw trzeba je scentralizować. Ponadto, wynik funkcji okna zależy od kolejności sortowania — niezdefiniowana kolejność remisów może prowadzić do niespodziewanych wyników [1].\n\n## Źródła\n\n1. [Jak działa WINDOW FUNCTIONS w języku SQL? Przykłady zastosowania (KajoData)](https:\u002F\u002Fkajodata.com\u002Fexcel-sql-python-powerbi-tableau-baza-wiedzy\u002Fbaza-wiedzy-sql-darmowa-wiedza\u002Fjak-dziala-window-functions-w-sql-przyklad-mmk)\n2. [PostgreSQL: Documentation: 18: 3.5. Window Functions](https:\u002F\u002Fwww.postgresql.org\u002Fdocs\u002Fcurrent\u002Ftutorial-window.html)\n3. [Window function calls | BigQuery | Google Cloud Documentation](https:\u002F\u002Fdocs.cloud.google.com\u002Fbigquery\u002Fdocs\u002Freference\u002Fstandard-sql\u002Fwindow-function-calls)\n4. [Analyzing data with window functions (Snowflake)](https:\u002F\u002Fdocs.snowflake.com\u002Fen\u002Fuser-guide\u002Ffunctions-window-using)",1337,"Article",[237,243,249,255,261,267,273,279,285,291,297,303,309,315,321,327],{"id":238,"slug":239,"pillar_id":240,"draft_id":241},"a31a8117-8d05-4f9e-944f-0ce9e7bc00a3","codex-openai-juz-nie-przyjmie-twojego-kodu-co-teraz-zrobic",{"color_token":222},{"title":242},"Codex OpenAI już nie przyjmie twojego kodu — co teraz zrobić?",{"id":244,"slug":245,"pillar_id":246,"draft_id":247},"bab79ee2-60f9-4412-a1e3-08aaae18e56d","openai-codex-w-twoim-projekcie-oszczedz-30-czasu-developerskiego-czy-ryzykuj-wyciek-kodu",{"color_token":222},{"title":248},"OpenAI Codex w Twoim projekcie: oszczędź 30% czasu developerskiego czy ryzykuj wyciek kodu?",{"id":250,"slug":251,"pillar_id":252,"draft_id":253},"10e20fe7-5930-4123-8f60-baf9f98731bb","sandbox-dla-ai-na-windowsie-jak-zbudowac-izolacje-jak-openai-zeby-nie-skonczyc-jak-recall",{"color_token":222},{"title":254},"Sandbox dla AI na Windowsie: jak zbudować izolację jak OpenAI, żeby nie skończyć jak Recall",{"id":256,"slug":257,"pillar_id":258,"draft_id":259},"9e557877-8a83-42b9-bb90-0fbb66319549","python-w-biznesie-5-konceptow-ktore-przyspieszaja-projekty-ai-i-automatyzacje",{"color_token":222},{"title":260},"Python w biznesie: 5 konceptów, które przyspieszają projekty AI i automatyzację",{"id":262,"slug":263,"pillar_id":264,"draft_id":265},"5d3504cf-79b1-4514-a2f5-539e6f08e297","sandbox-dla-ai-na-windowsie-jak-openai-izoluje-codex-i-co-mozesz-zrobic-sam",{"color_token":222},{"title":266},"Sandbox dla AI na Windowsie: jak OpenAI izoluje Codex i co możesz zrobić sam",{"id":268,"slug":269,"pillar_id":270,"draft_id":271},"a7909ea1-b58e-49f7-a769-1b5012c3467f","sandbox-dla-ai-na-windowsie-jak-nie-powtorzyc-bledu-microsoft-recall",{"color_token":222},{"title":272},"Sandbox dla AI na Windowsie: Jak nie powtórzyć błędu Microsoft Recall",{"id":274,"slug":275,"pillar_id":276,"draft_id":277},"23c198c1-f2c4-4df7-812c-38f64ae7e27d","5-dni-zero-kodu-dzialajacy-agent-ai-czy-google-naprawde-da-founderom-to-czego-potrzebuja",{"color_token":222},{"title":278},"5 dni, zero kodu, działający agent AI – czy Google naprawdę da founderom to, czego potrzebują?",{"id":280,"slug":281,"pillar_id":282,"draft_id":283},"666237b9-e326-404e-8282-10608608298c","codex-w-praktyce-jak-polscy-developerzy-przestaja-pisac-kod-od-zera",{"color_token":222},{"title":284},"Codex w praktyce: jak polscy developerzy przestają pisać kod od zera",{"id":286,"slug":287,"pillar_id":288,"draft_id":289},"5ab5dcae-fbd8-4600-ba96-015f1eeab69d","pandas-bez-petli-jak-przyspieszyc-przetwarzanie-danych-o-300-i-nie-zwariowac",{"color_token":222},{"title":290},"Pandas bez pętli: jak przyspieszyć przetwarzanie danych o 300% i nie zwariować",{"id":292,"slug":293,"pillar_id":294,"draft_id":295},"6173c48c-614d-4f4e-a60c-6ec753e3f947","jak-kiro-cli-zapamietalo-ze-nie-lubisz-flagi-force",{"color_token":222},{"title":296},"Jak Kiro CLI zapamiętało, że nie lubisz flagi --force",{"id":298,"slug":299,"pillar_id":300,"draft_id":301},"7a2c0639-3eb4-4d1d-927b-badd85df44f3","lean-dla-programistow-jak-udowodnic-ze-twoj-kod-dziala-zanim-go-uruchomisz",{"color_token":222},{"title":302},"Lean dla programistów: jak udowodnić, że twój kod działa — zanim go uruchomisz",{"id":304,"slug":305,"pillar_id":306,"draft_id":307},"b8d26e11-6739-47e3-9ca4-4277bca1ad64","15-minut-vs-30-sekund-jak-przyspieszyc-pandasa-bez-kupowania-nowego-serwera",{"color_token":222},{"title":308},"15 minut vs 30 sekund: jak przyspieszyć Pandasa bez kupowania nowego serwera",{"id":310,"slug":311,"pillar_id":312,"draft_id":313},"70ba6104-c270-4d85-a740-fb805e84d83b","asystent-rekrutacyjny-na-amazon-bedrock-ile-czasu-zaoszczedzisz-i-co-stracisz",{"color_token":222},{"title":314},"Asystent rekrutacyjny na Amazon Bedrock: ile czasu zaoszczędzisz i co stracisz",{"id":316,"slug":317,"pillar_id":318,"draft_id":319},"12dddaa6-30f8-4b36-be24-fb783b342f71","czy-5-dni-szkolenia-google-wystarczy-by-wdrozyc-agentow-ai-w-twojej-firmie",{"color_token":222},{"title":320},"Czy 5 dni szkolenia Google wystarczy, by wdrożyć agentów AI w Twojej firmie?",{"id":322,"slug":323,"pillar_id":324,"draft_id":325},"76fa520e-8934-4a02-a060-e6fb7cd18925","10-zmiennych-ktore-przetrwaja-kryzys-jak-nie-dac-sie-zlapac-w-pulapke-overfittingu",{"color_token":222},{"title":326},"10 zmiennych, które przetrwają kryzys. Jak nie dać się złapać w pułapkę overfittingu",{"id":328,"slug":329,"pillar_id":330,"draft_id":331},"a53feef1-531c-4aa6-ba1b-22215d4beb53","word2vec-w-2025-roku-dlaczego-stary-model-wciaz-zaskakuje-matematyka",{"color_token":222},{"title":332},"Word2vec w 2025 roku: dlaczego stary model wciąż zaskakuje matematyką",[]]