工夫序列数据的计算脚本须具备较强的有序计算能力，本文从此类工具中精心筛选了三种，从开发效率、语法表达能力、结构化函数库等方面进行深度比照，考查了各脚本在序号计算、绝对地位计算、有序汇合计算等重点运算上的体现，esProc 在这几款工具中的体现最为杰出。点击适宜工夫序列数据的计算脚本理解详情。
工夫序列数据在这里指按工夫排序的日常业务数据。对工夫序列数据进行计算时，不仅波及季度、月份、工作日、周末等惯例计算，还常常遇到较为简单的有序运算，这就要求脚本语言应具备相应的计算能力。个别用于解决工夫序列数据的计算脚本有SQL、Python Pandas、esProc，上面就让咱们深刻理解这些脚本，看看它们的能力差异。
SQL
SQL历史悠久用户泛滥，在其模型框架内早已倒退到极限，简直每种简略运算都能找到对应的SQL解法，这其中就包含有序运算。
比方比上期的例子：表stock1001存储某支股票的交易信息，次要字段有交易日期transDate、收盘价price，请计算每个交易日与上个交易日相比收盘价的增长率。
这个例子属于绝对地位计算，如果应用窗口函数，SQL写法绝对容易：
但有些SQL不反对窗口函数，实现比上期就会麻烦得多：
上述代码之所以麻烦，首先是因为SQL是基于无序汇合的，自身没有序号，不不便进行有序运算，为了实现有序运算，就要为无序汇合硬造出序号列，这个过程须要自关联和分组汇总，代码比较复杂。其次，比上期属于绝对地位计算，如果SQL有绝对序号，这种计算会简略许多，但SQL没有绝对序号，只能将上一行关联到本行，变相实现相邻地位计算，代码因而变得复杂。
基于无序汇合的SQL不不便实现有序运算，窗口函数尽管能够缓解这一情况，但如果运算再简单时，也仍然麻烦。
比方中位数的例子：scores表存储学生问题，次要字段有学生编号studentdid、数学问题math，请计算数学问题的中位数。中位数的定义是：如果记录总数L为偶数，则返回两头两个值的均值（序号别离为L/2和L/2+1）；如果L为奇数，则返回惟一的两头值（序号为(L+1)/2）。
SQL计算中位数的代码：
能够看到，尽管曾经应用了窗口函数，但SQL依然很简单。生成序号的过程对于有序汇合来说是多余的，但对SQL来说就是必不可少的步骤，尤其是本例这种必须显式应用序号的状况，这让代码显得简单。SQL实现分支判断也较麻烦，所以对L为奇数的状况进行解决时，并没有返回惟一的两头值，而是两个同样的两头值求均匀，这个技巧尽管能够简化分支判断，但了解起来稍有艰难。
如果应用取整函数，则能够奇妙地跳过判断过程，在简化代码的同时计算出中位数。但这种技巧与中位数的原始定义不同，会造成了解艰难，这里没有采纳。
再看一个稍简单的例子：间断上涨天数。库表AAPL存储某支股票的股价信息，次要字段有交易日期transDate、收盘价price，请计算该股票最长的间断上涨天数。SQL如下：
按天然思路实现这个工作时，应答日期有序的股票记录进行循环，如果本条记录与上一条记录相比是上涨的，则将间断上涨天数（初始为0）加1，如果是上涨的，则将间断上涨天数和以后最大间断上涨天数（初始为0）相比，选出新的以后最大间断上涨天数，再将间断上涨天数清0。如此循环直到完结，以后最大间断上涨天数即最终的最大间断上涨天数。
但SQL不善于有序计算，无奈用上述天然思路实现，只能用一些难懂的技巧。把按日期有序的股票记录分成若干组，间断上涨的记录分成同一组，也就是说，某天的股价比上一天是上涨的，则和上一天记录分到同一组，如果上涨了，则开始一个新组。最初看所有分组中最大的成员数量，也就是最多间断上涨的天数。
对于这两个稍简单的有序运算例子，SQL实现起来就曾经很艰难了，一旦遇到更简单的运算，SQL简直无奈实现。之所以呈现这种后果，是因为SQL的实践根底就是无序汇合，这种人造缺点无论怎样打补丁，都无奈从根本上解决问题。
Python Pandas
Pandas是Python的结构化计算库，常被用作工夫序列数据的计算脚本。
作为结构化计算函数库，Pandas能够轻松实现简略的有序计算。比方，同样计算比上期，Pandas代码是这样的：
上述前两句是为了从文件读取数据，外围代码仅有一句。须要留神的是，Pandas并不能示意前一行，从而间接实现绝对地位计算，但能够用shift(1)函数将列整体下移一行，从而变相实现绝对地位计算。代码中行和列、前一行和下一行看上去很像，初学者容易混同。
作为古代程序语言，Pandas在有序计算方面要比SQL先进，次要体现在Pandas基于有序汇合构建，dataFrame数据类型天生具备序号，适宜进行有序计算。后面那些稍简单的有序计算，用SQL会十分艰难，用Pandas就绝对容易。
同样计算中位数，Pandas外围代码如下：
上述代码中，Pandas能够间接用\[N\]示意序号，而不必额定制作序号，代码因而失去简化。其次，Pandas是过程性语言，分支判断比SQL易于了解，也不须要技巧来简化代码。
同样稍简单的例子最长间断上涨天数，Pandas也比SQL容易实现。外围代码如下：
本例中，Pandas能够依照天然思路实现，而不用采取难懂的技巧，代码的表白效率要比SQL高得多。
有点遗憾的是， 有序计算经常要波及绝对地位计算，但Pandas不能间接表白绝对地位，只能把列下移一行来变相示意本行的上一行，了解时有点艰难。
Pandas在有序计算方面确实比SQL容易些，但遇到更简单的状况，Pandas也会变得很繁琐，下面试举两例。
比方过滤累计值的例子：表sales存储客户的销售额数据，次要字段有客户client、销售额amount，请找出销售额累计占到一半的前n个大客户，并按销售额从大到小排序。Pandas代码如下：
再比方计算股价最高3天的涨幅：表stock1001存储某支股票的每日股价，次要字段有交易日期transDate、收盘价price，请将股价最高的三天按逆序排列，计算每一天相比前一天的涨幅。Pandas代码如下：
这些更简单的例子也须要用到一些难懂的技巧去实现，不仅难以编写，而且难以读懂，这里就不再具体解释。
esProc
与Pandas相似，esProc也具备丰盛的结构化计算函数，与Pandas不同的是，esProc除了基于有序汇合并反对序号机制外，还提供了不便的相邻援用机制，以及丰盛的地位函数，从而快捷不便地实现有序计算。
对于简略的有序计算，esProc和其余计算脚本一样，都能够轻松实现。比方同样比上期的esProc代码：
下面代码A1从csv文件取数，A2是外围代码。esProc能够用直观易懂的\[-1\]示意绝对本行的前一行，这是Pandas和SQL都没有的性能，也是esProc更为业余的体现。
同样计算中位数，esProc外围代码如下：
上述代码中，esProc能够间接用\[N\]示意序号，而不必额定制作序号，代码更为简洁。esProc同样是过程性语法，既能够用if/else语句实现大段的分支，也能够像本例一样，用if函数实现简洁的判断。
同样稍简单的例子最长间断上涨天数，esProc也比SQL/Pandas容易实现。外围代码如下：
本例中，esProc能够依照天然思路实现，而不用采取非凡的技巧，代码表白效率要比SQL更高。除此外， esProc既能够用循环语句实现大段的循环，也能够像本例一样，用循环函数max实现简洁的循环聚合。
esProc是更为业余的结构化计算语言，即便遇到更简单的有序计算，也能较为轻松地实现。
比方过滤累计值的例子，esProc只需如下代码：
本例按天然思维实现，先在A2计算出从最大的客户到每个客户的累计值，再在A3算出最大累计值的一半，在A4算出累计值大于A3的地位，最初按地位取数据就是所需后果。这里有体现esProc专业性的两处特色，其一是A3中的m函数，该函数能够逆序取数，-1示意倒数第一条；其二是A4中的pselect，能够按条件返回序号。这两种函数都能够无效简化有序计算。
再比方计算股价最高那3天的涨幅，esProc只需如下代码：
上述代码中，A2中的ptop示意前N条的地位，和后面的pselect相似，返回的不是记录的汇合，而是序号的汇合，相似这样的函数在esProc中还有很多，其目标都是简化有序计算。A4中的#也是esProc的特色，间接示意序号字段，应用起来十分不便，不用像SQL那样额定制作，或Pandas那样设定index。
通过比拟咱们能够发现，esProc具备丰盛的结构化函数，是业余的结构化计算语言，能够轻松实现常见的有序计算，即便更简单的计算也能无效简化，是更加现实的工夫序列数据计算脚本。