共计 5691 个字符，预计需要花费 15 分钟才能阅读完成。
作者：赵佳慧
爱可生售后团队成员，次要负责公司运维平台故障诊断。青睐技术，致力在 IT 行业中磨难本人。
本文起源：原创投稿
* 爱可生开源社区出品，原创内容未经受权不得随便应用，转载请分割小编并注明起源。
一、窗口函数
“窗口”可了解为记录汇合。“窗口函数”可了解为在满足某种条件的记录汇合上执行的非凡函数，对于每条记录都要在此窗口内执行。
二、疾速了解窗口函数
通过举例，疾速了解窗口函数。
2.1 举例
1）创立表 user，表 user 的数据如下：
mysql> select * from user;
+‐‐‐‐+‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐+
| id | name | address | createtime |
+‐‐‐‐+‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐+
| 1 | aa | cun | 2020‐06‐01 00:00:00 |
| 2 | bb | cun | 2020‐06‐01 00:00:00 |
| 3 | bb | shi | 2020‐06‐01 01:00:00 |
| 4 | bb | shi | 2020‐06‐01 01:00:00 |
| 5 | cc | cun | 2020‐06‐01 01:00:00 |
| 6 | tt | cun | 2020‐06‐03 01:00:00 |
| 7 | eee | cun | 2020‐06‐04 01:00:00 |
| 8 | eee | cun | 2020‐06‐04 01:00:00 |
| 9 | xx | shen | 2020‐06‐02 01:00:00 |
+‐‐‐‐+‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐+
9 rows in set (0.00 sec)2）窗口函数的应用
SELECT createtime,
row_number() over(order by createtime) AS cr
FROM user ;
+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐+
| createtime | ll |
+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐+
| 2020‐06‐01 00:00:00 | 1 |
| 2020‐06‐01 00:00:00 | 2 |
| 2020‐06‐01 01:00:00 | 3 |
| 2020‐06‐01 01:00:00 | 4 |
| 2020‐06‐01 01:00:00 | 5 |
| 2020‐06‐02 01:00:00 | 6 |
| 2020‐06‐03 01:00:00 | 7 |
| 2020‐06‐04 01:00:00 | 8 |
| 2020‐06‐04 01:00:00 | 9 |
+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐+
9 rows in set (0.00 sec)row_number() over(order by createtime) as cr 这部分为窗口函数。over（order by createtime）为窗口标准，函数 row_number() 即对窗口的数据进行编号。所以上述 sql 的意思为：先对 createtime 进行排序，而后对每行数据进行编号。
三、窗口函数的实用场景
上面举例说明在哪些场景下实用窗口函数。
3.1 数据筹备
1）创立用户表 user 并插入数据。
mysql> select * from user;
+‐‐‐‐+‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐+
| id | name | address | createtime |
+‐‐‐‐+‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐+
| 1 | 李四 | 广州 | 2020‐06‐01 00:00:00 |
| 2 | 老三 | 广西 | 2020‐06‐01 00:00:00 |
| 3 | 张三 | 广州 | 2020‐06‐01 01:00:00 |
| 4 | 王五 | 上海 | 2020‐06‐01 01:00:00 |
| 5 | 吴迪 | 深圳 | 2020‐06‐01 01:00:00 |
| 6 | 赵六 | 北京 | 2020‐06‐03 01:00:00 |
| 7 | 刘六 | 北京 | 2020‐06‐04 01:00:00 |
| 8 | 刘开 | 江西 | 2020‐06‐04 01:00:00 |
| 9 | 张劳 | 上海 | 2020‐06‐02 01:00:00 |
+‐‐‐‐+‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐+
9 rows in set (0.00 sec)2）创立交易表 transaction 并插入数据。
mysql> select * from transaction;
+‐‐‐‐+‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐+
| id | userid | amount | paydate |
+‐‐‐‐+‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐+
| 1 | 3 | 23 | 2020‐07‐01 |
| 2 | 1 | 34 | 2020‐07‐01 |
| 3 | 3 | 56 | 2020‐07‐01 |
| 4 | 3 | 32 | 2020‐07‐01 |
| 5 | 2 | 100 | 2020‐07‐03 |
| 6 | 3 | 100 | 2020‐07‐03 |
| 7 | 2 | 198 | 2020‐07‐01 |
| 8 | 4 | 209 | 2020‐07‐01 |
| 9 | 4 | 209 | 2020‐07‐03 |
| 10 | 4 | 209 | 2020‐07‐10 |
| 11 | 3 | 239 | 2020‐07‐14 |
| 12 | 6 | 100 | 2020‐07‐14 |
| 13 | 3 | 100 | 2020‐07‐30 |
| 14 | 3 | 140 | 2020‐07‐30 |
| 15 | 3 | 148 | 2020‐07‐30 |
| 16 | 3 | 89 | 2020‐07‐30 |
+‐‐‐‐+‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐+
16 rows in set (0.00 sec)3.2 场景一
在领有用户表和交易表的前提下，能够计算出每个用户的交易量占总交易量的百分比。由此咱们能够疾速得出每个用户的交易占比。
sql 如下：
SELECT a.name,
a.everymoney,
sum(a.everymoney) over() AS totalmoney,
a.everymoney/(sum(a.everymoney) over()) AS percent
FROM
(SELECT u.name,
sum(t.amount) everymoney
FROM user u
JOIN transaction t
ON u.id=t.userid
GROUP BY u.name) a;
+‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐+
| name | everymoney | totalmoney | percent |
+‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐+
| 张三 | 1694 | 6359 | 0.2664 |
| 李四 | 2014 | 6359 | 0.3167 |
| 老三 | 1491 | 6359 | 0.2345 |
| 王五 | 1060 | 6359 | 0.1667 |
| 赵六 | 100 | 6359 | 0.0157 |
+‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐+
5 rows in set (0.00 sec)通过子查问 a 对用户进行分组计算出每个用户的总交易金额（everymoney），再通过子查问 aa 应用 sum()+over 子句计算出所有用户总的交易金额（totalmoney），最初将每个用户总交易金额比上所有用户总交易金额（a.everymoney/(sum(a.everymoney) over()）。
3.3 场景二
在领有用户表和交易表的前提下，能够计算出每天交易金额位于第一的用户。
sql 如下：
SELECT a.name,
a.paydate,
row_number()
OVER w AS num
FROM
(SELECT u.name,
paydate,
sum(amount) AS total
FROM user u
JOIN transaction t
ON u.id=t.userid
GROUP BY u.name,paydate) a window w AS (partition by paydate
ORDER BY a.total desc);
+‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐+
| name | paydate | num |
+‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐+
| 王五 | 2020‐07‐01 | 1 |
| 老三 | 2020‐07‐01 | 2 |
| 张三 | 2020‐07‐01 | 3 |
| 李四 | 2020‐07‐01 | 4 |
| 王五 | 2020‐07‐03 | 1 |
| 张三 | 2020‐07‐03 | 2 |
| 老三 | 2020‐07‐03 | 3 |
| 王五 | 2020‐07‐10 | 1 |
| 张三 | 2020‐07‐14 | 1 |
| 赵六 | 2020‐07‐14 | 2 |
| 张三 | 2020‐07‐30 | 1 |
+‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐+
11 rows in set (0.00 sec)上述 sql 通过子查问 a 对用户和 paydate 进行分组，计算出每个用户每天的交易金额
（total），再通过窗口函数 row_number() over w as num…window w as (partition by paydate order by a.total) 对数据按 paydate 分组，并按 total 降序排序进行编号。
因为按天分组，按交易金额降序进行编号，所以每个分组中的第一条就是交易额最高的，最终过滤 num=1 的数据即可得出每天交易金额最高的用户。
sql 如下：
SELECT *
FROM
(SELECT a.name,4
a.paydate,
row_number()
OVER w AS num
FROM
(SELECT u.name,
paydate,
sum(amount) AS total
FROM user u
JOIN transaction t
ON u.id=t.userid
GROUP BY u.name,paydate) a window w AS (partition by paydate
ORDER BY a.total)) aa
WHERE num=1;
+‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐+
| name | paydate | num |
+‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐+
| 王五 | 2020‐07‐01 | 1 |
| 王五 | 2020‐07‐03 | 1 |
| 王五 | 2020‐07‐10 | 1 |
| 张三 | 2020‐07‐14 | 1 |
| 张三 | 2020‐07‐30 | 1 |
+‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐+
5 rows in set (0.00 sec)通过如上的两个例子能够看出，窗口函数可能不便的实现一些排序及统计性能，当然也不局限于应用窗口函数，不过实现的 sql 语句可能会比较复杂。
四、窗口函数一览
MySQL 8.0 新增的窗口函数如下：
CUME_DIST()
DENSE_RANK()
FIRST_VALUE()
LAG()
LAST_VALUE()6
LEAD()
NTH_VALUE()
NTILE()
PERCENT_RANK()
RANK()
ROW_NUMBER()4.1 CUME_DIST() 应用举例
cume_dist()：示意以后行及小于以后行在窗口分区总行数中的占比。
举例：
mysql> select * from user1;
+‐‐‐‐+‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐+
| id | name | address | createtime |
+‐‐‐‐+‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐+
| 1 | aa | cun | 2020‐06‐01 00:00:00 |
| 2 | bb | cun | 2020‐06‐01 00:00:00 |
| 3 | bb | shi | 2020‐06‐01 01:00:00 |
| 4 | bb | shi | 2020‐06‐01 01:00:00 |
| 5 | cc | cun | 2020‐06‐01 01:00:00 |
| 6 | tt | cun | 2020‐06‐03 01:00:00 |
| 7 | eee | cun | 2020‐06‐04 01:00:00 |
| 8 | eee | cun | 2020‐06‐04 01:00:00 |
| 9 | xx | shen | 2020‐06‐02 01:00:00 |
+‐‐‐‐+‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐+
9 rows in set (0.00 sec)
SELECT id,
CUME_DIST()
OVER w AS ll,createtime
FROM user1 window w AS (order by createtime);
+‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐+
| id | ll | createtime |
+‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐+
| 1 | 0.2222222222222222 | 2020‐06‐01 00:00:00 |
| 2 | 0.2222222222222222 | 2020‐06‐01 00:00:00 |
| 3 | 0.5555555555555556 | 2020‐06‐01 01:00:00 |
| 4 | 0.5555555555555556 | 2020‐06‐01 01:00:00 |
| 5 | 0.5555555555555556 | 2020‐06‐01 01:00:00 |
| 9 | 0.6666666666666666 | 2020‐06‐02 01:00:00 |
| 6 | 0.7777777777777778 | 2020‐06‐03 01:00:00 |
| 7 | 1 | 2020‐06‐04 01:00:00 |
| 8 | 1 | 2020‐06‐04 01:00:00 |
+‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐+
9 rows in set (0.00 sec)如上 sql 所示，查看第一行数据值为 0.2222222222222222，因为小于等于 id=1 对应的 createtime 值有两行（id=1 和 id=2），所以通过 cume_dist() 函数计算后为 0.2222222222222222。
其余函数具体解析可返回官网查看：
https://dev.mysql.com/doc/ref…
正文完
