窗函數 (SQL)

在SQL中，窗函數(window function)或分析函數(analytic function)^[1]是一個函數，它使用來自一行或多行的值來為每一行返回一個值。與之形成對比，聚合函數（英語：Aggregate function）為多行返回單個值。窗口函數有一個OVER子句；任何沒有OVER子句的函數都不是窗口函數，而是聚合函數或單行（標量）函數。^[2]

例子1[編輯]

例如，這裡有一個查詢，它使用一個窗口函數來比較每個員工的工資與其部門的平均工資（來自PostgreSQL文檔的示例）:^[3]

SELECT depname, empno, salary, avg(salary) OVER (PARTITION BY depname) FROM empsalary;

輸出:

 depname  | empno | salary |          avg          
----------+-------+--------+----------------------
develop   |    11 |   5200 | 5020.0000000000000000
develop   |     7 |   4200 | 5020.0000000000000000
develop   |     9 |   4500 | 5020.0000000000000000
develop   |     8 |   6000 | 5020.0000000000000000
develop   |    10 |   5200 | 5020.0000000000000000
personnel |     5 |   3500 | 3700.0000000000000000
personnel |     2 |   3900 | 3700.0000000000000000
sales     |     3 |   4800 | 4866.6666666666666667
sales     |     1 |   5000 | 4866.6666666666666667
sales     |     4 |   4800 | 4866.6666666666666667
(10 rows)

PARTITION BY子句將行分組，並且該函數分別應用於每個分組。如果PARTITION BY子句被省略（例如如果我們有一個空的OVER()子句），那麼整個結果集（英語：Result set）被視為單個分組。^[4]對於此查詢，報告的平均工資將是所有行的平均值。

窗口函數在聚合之後進行評估（例如，在 GROUP BY（英語：Group by (SQL)）子句和非窗口聚合函數之後）。^[1]

語法[編輯]

根據PostgreSQL文檔，窗函數具有下列之一的語法:^[4]

function_name ([expression [, expression ... ]]) OVER window_name
function_name ([expression [, expression ... ]]) OVER ( window_definition )
function_name ( * ) OVER window_name
function_name ( * ) OVER ( window_definition )

其中function_name包括：

開窗函數
- 序號函數
  - ROW_NUMBER：順序排序——1、2、3
  - RANK：並列排序，跳過重複序號——1、1、3
  - DENSE_RANK：並列排序，不跳過重複序號——1、1、2
- 分布函數
  - PERCENT_RANK
  - CUME_DIST
- 前驅後繼函數
  - LAG(expr,n)：返回當前行的前n行的expr的值
  - LEAD(expr,n)：返回當前行的後n行的expr的值
- 頭尾函數
  - FIRST_VALUE(expr)
  - LAST_VALUE(expr)
- 其他函數
  - NTH_VALUE(expr,n)：返回第n行的expr值
  - NTILE(n)：將有序數據分為n個桶，記錄等級數
所有聚合函數

其中 window_definition具有語法:

[ existing_window_name ]
[ PARTITION BY expression [, ...] ]
[ ORDER BY expression [ ASC | DESC | USING operator ] [ NULLS { FIRST | LAST } ] [, ...] ]
[ frame_clause ]

frame_clause具有下列之一的語法:

{ RANGE | ROWS | GROUPS } frame_start [ frame_exclusion ]
{ RANGE | ROWS | GROUPS } BETWEEN frame_start AND frame_end [ frame_exclusion ]

frame_start與frame_end可以是UNBOUNDED PRECEDING, offset PRECEDING, CURRENT ROW, offset FOLLOWING, UNBOUNDED FOLLOWING. frame_exclusion可以是EXCLUDE CURRENT ROW, EXCLUDE GROUP, EXCLUDE TIES, EXCLUDE NO OTHERS.

expression指不包含窗函數調用的任何表達式。

注:

方括號[]指可選子句
圓括號{}指多種選項的集合，選項之間以豎槓|分割

例子2[編輯]

窗函數允許訪問恰在當前記錄之前和之後的記錄的數據。^[5]^[6]^[7]^[8] 一個窗函數定義當前行周圍具有給定行數的幀或窗，並跨窗對數據集執行計算。^[9]^[10]

      NAME |
------------
      Aaron| <-- Preceding (unbounded)
     Andrew|
     Amelia|
      James|
       Jill|
     Johnny| <-- 1st preceding row
    Michael| <-- Current row
       Nick| <-- 1st following row
    Ophelia|
       Zach| <-- Following (unbounded)

在上表中，下一個查詢為每一行提取具有前一行和後一行的窗口的值w:

 SELECT
  LAG(name, 1) 
    OVER(ORDER BY name) "prev",
  name, 
  LEAD(name, 1) 
    OVER(ORDER BY name) "next"
 FROM people
 ORDER BY name

查詢結果為:

|     PREV |     NAME |     NEXT |
|----------|----------|----------|
|    (null)|     Aaron|    Andrew|
|     Aaron|    Andrew|    Amelia|
|    Andrew|    Amelia|     James|
|    Amelia|     James|      Jill|
|     James|      Jill|    Johnny|
|      Jill|    Johnny|   Michael|
|    Johnny|   Michael|      Nick|
|   Michael|      Nick|   Ophelia|
|      Nick|   Ophelia|      Zach|
|   Ophelia|      Zach|    (null)|

例子3[編輯]

# 首先创建虚拟的业务员销售数据 
CREATE TABLE Sales
( 
idate date, 
iname char(2), 
sales int
); 
# 向表中插入数据 
INSERT INTO Sales VALUES 
('2021/1/1', '丁一', 200), 
('2021/2/1', '丁一', 180), 
('2021/2/1', '李四', 100), 
('2021/3/1', '李四', 150), 
('2021/2/1', '刘猛', 180), 
('2021/3/1', '刘猛', 150), 
('2021/1/1', '王二', 200), 
('2021/2/1', '王二', 180), 
('2021/3/1', '王二', 300), 
('2021/1/1', '张三', 300), 
('2021/2/1', '张三', 280), 
('2021/3/1', '张三', 280); 

# 查询各月中销售业绩最差的业务员
SELECT * FROM 
   (SELECT month(idate),iname,sales, 
        ROW_NUMBER() OVER(PARTITION BY month(idate) ORDER BY sales) as sales_order 
   FROM Sales) as t
WHERE sales_order=1;

例子4[編輯]

求用戶連續登錄天數

 
# 首先创建虚拟的用户登录表，并插入数据 
create table user_login
( 
user_id varchar(100), 
login_time datetime
); 
insert into user_login values 
(1,'2020-11-25 13:21:12'), 
(1,'2020-11-24 13:15:22'), 
(1,'2020-11-24 10:30:15'), 
(1,'2020-11-24 09:18:27'), 
(1,'2020-11-23 07:43:54'), 
(1,'2020-11-10 09:48:36'), 
(1,'2020-11-09 03:30:22'), 
(1,'2020-11-01 15:28:29'), 
(1,'2020-10-31 09:37:45'), 
(2,'2020-11-25 13:54:40'), 
(2,'2020-11-24 13:22:32'), 
(2,'2020-11-23 10:55:52'), 
(2,'2020-11-22 06:30:09'), 
(2,'2020-11-21 08:33:15'), 
(2,'2020-11-20 05:38:18'), 
(2,'2020-11-19 09:21:42'), 
(2,'2020-11-02 00:19:38'), 
(2,'2020-11-01 09:03:11'), 
(2,'2020-10-31 07:44:55'), 
(2,'2020-10-30 08:56:33'), 
(2,'2020-10-29 09:30:28');  
  
# 第一种情况：查看每位用户连续登陆的情况。包括每位用户连续登录的情况、查看每位用户最大连续登录的天数、查看在某个时间段里连续登录天数超过N天的用户
select user_id, 
       min(login_date) start_date, 
       max(login_date) end_date, 
       count(login_date) days # 计算每位用户连续登录天数 
from (select *,date_sub(login_date, interval irank day) idate # 增加辅助列，以判断用户是否连续登录 
        from (select *,rank() over(partition by user_id order by login_date) irank # 对每个用户的登录日期排序 
                from (select distinct user_id, date(login_time) login_date from user_login 
                       # 数据预处理：由于统计的窗口期是天数，对登录时间字段格式转换为日期然后去重（去掉用户一天内多次登录的情况）
                     ) as a
            ) as b
    ) as c 
group by user_id,idate;

# 第二种情况：计算每个用户最大连续登录天数 
 
# 第三种情况：查看给定时间段内连续登录天数≥5天的用户  
# 找出相差天数为5的记录 
select distinct user_id 
    from (select *,datediff(idate5,login_date)+1 as days # 计算当前登录日期与之后第4次登陆的日期的差值 
              from (select *,lead(login_date,4) over(partition by user_id order by login_date) idate5 # 获取当前登录日期之后第4次登陆的日期
                       from user_logrin_date) 
                    as a)
         as b 
    where days = 5;

歷史[編輯]

SQL:2003（英語：SQL:2003）引入了窗函數，其後的標準擴展了其功能。^[11]

MySQL從8.0開始引入了窗函數。目前支持的語法為：

# 开窗函数语法 
func_name(<parameter>) OVER([PARTITION BY <part_by_condition>] [ORDER BY <order_by_list> ASC|DESC])

參考文獻[編輯]

^ ^1.0 ^1.1 Analytic function concepts in Standard SQL | BigQuery. Google Cloud. [2021-03-23]. （原始內容存檔於2022-03-24）（英語）.
^ Window Functions. sqlite.org. [2021-03-23]. （原始內容存檔於2022-11-17）.
^ 3.5. Window Functions. PostgreSQL Documentation. 2021-02-11 [2021-03-23]. （原始內容存檔於2022-10-31）（英語）.
^ ^4.0 ^4.1 4.2. Value Expressions. PostgreSQL Documentation. 2021-02-11 [2021-03-23]. （原始內容存檔於2022-10-10）（英語）.
^ Leis, Viktor; Kundhikanjana, Kan; Kemper, Alfons; Neumann, Thomas. Efficient Processing of Window Functions in Analytical SQL Queries. Proc. VLDB Endow. June 2015, 8 (10): 1058–1069. ISSN 2150-8097. doi:10.14778/2794367.2794375.
^ Cao, Yu; Chan, Chee-Yong; Li, Jie; Tan, Kian-Lee. Optimization of Analytic Window Functions. Proc. VLDB Endow. July 2012, 5 (11): 1244–1255. ISSN 2150-8097. arXiv:1208.0086 . doi:10.14778/2350229.2350243.
^ Probably the Coolest SQL Feature: Window Functions. Java, SQL and jOOQ. 2013-11-03 [2017-09-26]. （原始內容存檔於2021-06-24）（美國英語）.
^ Window Functions in SQL - Simple Talk. Simple Talk. 2013-10-31 [2017-09-26]. （原始內容存檔於2021-09-22）（美國英語）.
^ SQL Window Functions Introduction. Apache Drill. （原始內容存檔於2022-10-10）.
^ PostgreSQL: Documentation: Window Functions. www.postgresql.org. [2020-04-04]. （原始內容存檔於2022-11-02）（英語）.
^ Window Functions Overview. MariaDB KnowledgeBase. [2021-03-23]. （原始內容存檔於2022-10-15）.

[:1-1] 1.0 ^1.1 Analytic function concepts in Standard SQL | BigQuery. Google Cloud. [2021-03-23]. （原始內容存檔於2022-03-24）（英語）.

[2] Window Functions. sqlite.org. [2021-03-23]. （原始內容存檔於2022-11-17）.

[3] 3.5. Window Functions. PostgreSQL Documentation. 2021-02-11 [2021-03-23]. （原始內容存檔於2022-10-31）（英語）.

[:0-4] 4.0 ^4.1 4.2. Value Expressions. PostgreSQL Documentation. 2021-02-11 [2021-03-23]. （原始內容存檔於2022-10-10）（英語）.

[5] Leis, Viktor; Kundhikanjana, Kan; Kemper, Alfons; Neumann, Thomas. Efficient Processing of Window Functions in Analytical SQL Queries. Proc. VLDB Endow. June 2015, 8 (10): 1058–1069. ISSN 2150-8097. doi:10.14778/2794367.2794375.

[6] Cao, Yu; Chan, Chee-Yong; Li, Jie; Tan, Kian-Lee. Optimization of Analytic Window Functions. Proc. VLDB Endow. July 2012, 5 (11): 1244–1255. ISSN 2150-8097. arXiv:1208.0086 . doi:10.14778/2350229.2350243.

[7] Probably the Coolest SQL Feature: Window Functions. Java, SQL and jOOQ. 2013-11-03 [2017-09-26]. （原始內容存檔於2021-06-24）（美國英語）.

[8] Window Functions in SQL - Simple Talk. Simple Talk. 2013-10-31 [2017-09-26]. （原始內容存檔於2021-09-22）（美國英語）.

[9] SQL Window Functions Introduction. Apache Drill. （原始內容存檔於2022-10-10）.

[10] PostgreSQL: Documentation: Window Functions. www.postgresql.org. [2020-04-04]. （原始內容存檔於2022-11-02）（英語）.

[11] Window Functions Overview. MariaDB KnowledgeBase. [2021-03-23]. （原始內容存檔於2022-10-15）.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]