关于javascript:SQL-窗口函数

窗口函数形如：

 表达式 OVER (PARTITION BY 分组字段 ORDER BY 排序字段)

有两个能力：

1. 当表达式为 rank() dense_rank() row_number() 时，领有分组排序能力。
2. 当表达式为 sum() 等聚合函数时，领有累计聚合能力。

无论何种能力， 窗口函数都不会影响数据行数，而是将计算平摊在每一行 。

这两种能力须要辨别了解。

底表

以上是示例底表，共有 8 条数据，城市 1、城市 2 两个城市，上面各有地区 1～4，每条数据都有该数据的人口数。

分组排序

如果依照人口排序，ORDER BY people 就行了，但如果咱们想在城市内排序怎么办？

此时就要用到窗口函数的分组排序能力：

SELECT *, rank() over (PARTITION BY city ORDER BY people) FROM test

该 SQL 示意在 city 组内依照 people 进行排序。

其实 PARTITION BY 也是可选的，如果咱们疏忽它：

SELECT *, rank() over (ORDER BY people) FROM test

也是失效的，但该语句与一般 ORDER BY 等价，因而利用窗口函数进行分组排序时，个别都会应用 PARTITION BY。

各分组排序函数的差别

咱们将 rank() dense_rank() row_number() 的后果都打印进去：

SELECT *, 
rank() over (PARTITION BY city ORDER BY people),
dense_rank() over (PARTITION BY city ORDER BY people),
row_number() over (PARTITION BY city ORDER BY people)
FROM test

其实从后果就能够猜到，这三个函数在解决排序遇到雷同值时，对排名统计逻辑有如下差别：

1. rank(): 值雷同时排名雷同，但占用排名数字。
2. dense_rank(): 值雷同时排名雷同，但不占用排名数字，整体排名更加紧凑。
3. row_number(): 无论值是否雷同，都强制依照行号展现排名。

下面的例子能够优化一下，因为所有窗口逻辑都是雷同的，咱们能够利用 WINDOW AS 提取为一个变量：

SELECT *, 
rank() over wd, dense_rank() over wd, row_number() over wd
FROM test
WINDOW wd as (PARTITION BY city ORDER BY people)

累计聚合

咱们之前说过，凡事应用了聚合函数，都会让查问变成聚合模式。如果不必 GROUP BY，聚合后返回行数会压缩为一行，即应用了 GROUP BY，返回的行数个别也会大大减少，因为分组聚合了。

然而应用窗口函数的聚合却不会导致返回行数缩小，那么这种聚合是怎么计算的呢？咱们不如间接看上面的例子：

SELECT *, 
sum(people) over (PARTITION BY city ORDER BY people)
FROM test

能够看到，在每个 city 分组内，依照 people 排序后进行了 累加 （雷同的值会合并在一起），这就是 BI 工具个别说的 RUNNGIN_SUM 的实现思路，当然个别咱们排序规定应用相对不会反复的日期，所以不会遇到第一个红框中合并计算的问题。

累计函数还有 avg() min() 等等，这些都一样能够作用于窗口函数，其逻辑能够依照下图了解：

你可能有疑难，间接 sum(上一行后果，下一行) 不是更不便吗？为了验证猜测，咱们试试 avg() 的后果：

可见，如果间接利用上一行后果的缓存，那么 avg 后果必然是不精确的，所以窗口累计聚合是每行从新计算的。当然也不排除对于 sum、max、min 做额定性能优化的可能性，但 avg 只能每行重头计算。

与 GROUP BY 组合应用

窗口函数是能够与 GROUP BY 组合应用的，遵循的规定是，窗口范畴对前面的查问后果失效，所以其实并不关怀是否进行了 GROUP BY。咱们看上面的例子：

依照地区分组后进行累加聚合，是对 GROUP BY 后的数据行粒度进行的，而不是之前的明细行。

总结

窗口函数在计算组内排序或累计 GVM 等场景十分有用，咱们只有牢记两个知识点就行了：

1. 分组排序要联合 PARTITION BY 才有意义。
2. 累计聚合作用于查问后果行粒度，反对所有聚合函数。

探讨地址是：精读《SQL 窗口函数》· Issue #405 · ascoders/weekly

如果你想参加探讨，请 点击这里，每周都有新的主题，周末或周一公布。前端精读 – 帮你筛选靠谱的内容。

关注 前端精读微信公众号

<img width=200 src=”https://img.alicdn.com/tfs/TB165W0MCzqK1RjSZFLXXcn2XXa-258-258.jpg”>

版权申明：自在转载 - 非商用 - 非衍生 - 放弃署名（创意共享 3.0 许可证）