MySQL高阶(九)——窗口函数

news2024/9/20 0:36:18

文章目录

  • MySQL高阶(九)——窗口函数
    • 特点
    • 语法结构
    • 窗口函数分类
        • 准备数据
      • 序号函数
      • 聚合函数
      • 分布函数
        • CUME_DIST（累计分布值）
        • PERCENT_RANK （等级值）
      • 前后函数
        • LAG函数
        • LEAD函数
      • 头尾函数
        • FIRST_VALUE和LAST_VALUE
        • NTH_VALUE(expr, n）
        • NTILE(n)
    • 窗口范围
        • 窗口范围与聚合函数结合
        • rows和range的区别
          • 准备数据
          • rows
          • range

MySQL高阶(九)——窗口函数

特点

  • 非聚合窗口函数是相对于聚函数来说的。聚合函数是对一组数据计算后返回单个值（即分组），非聚合函数一次只会处理一行数据。
  • 窗口聚合函数在行记录上计算某个字段的结果时，可将窗口范围内的数据输入到聚合函数中，并不改变行数。最重要的是，窗口函数具有多种功能，比如：求差值、求占比、求排名、累计值计算等等。

在这里插入图片描述

语法结构

window_function ( expr ) OVER ( 
  PARTITION BY 分组的列... 
  ORDER BY 排序列... 
  [ rows between 起始行 and 结束行]
)

说明：

其中，window_function 是窗口函数的名称；expr 是参数，有些函数不需要参数；OVER子句包含三个选项：

  • 分区（PARTITION BY）

​ PARTITION BY选项用于将数据行拆分成多个分区（组），它的作用类似于GROUP BY分组。如果省略了 PARTITION BY，所有的数据作为一个组进行计算

  • 排序（ORDER BY）

​ OVER 子句中的ORDER BY选项用于指定分区内的排序方式，与 ORDER BY 子句的作用类似

  • 以及窗口大小（frame_clause）。

​ frame_clause选项用于在当前分区内指定一个计算窗口，也就是一个与当前行相关的数据子集。

窗口函数分类

在这里插入图片描述

还有聚合函数：SUM,AVG,MIN,MAX,COUNT

准备数据
create table employee(
   dname varchar(20), -- 部门名
   eid varchar(20),
   ename varchar(20),
   hiredate date, -- 入职日期
   salary double -- 薪资
);

insert into employee values('研发部','1001','刘备','2021-11-01',3000);
insert into employee values('研发部','1002','关羽','2021-11-02',5000);
insert into employee values('研发部','1003','张飞','2021-11-03',7000);
insert into employee values('研发部','1004','赵云','2021-11-04',7000);
insert into employee values('研发部','1005','马超','2021-11-05',4000);
insert into employee values('研发部','1006','黄忠','2021-11-06',4000);

insert into employee values('销售部','1007','曹操','2021-11-01',2000);
insert into employee values('销售部','1008','许褚','2021-11-02',3000);
insert into employee values('销售部','1009','典韦','2021-11-03',5000);
insert into employee values('销售部','1010','张辽','2021-11-04',6000);
insert into employee values('销售部','1011','徐晃','2021-11-05',9000);
insert into employee values('销售部','1012','曹洪','2021-11-06',6000);

序号函数

row_number()|rank()|dense_rank() over ( 
  partition by ... 
  order by ... 
)

例1：按每个部门的的员工求薪资排名

-- 对每个部门的员工按照薪资排序，并给出排名
select
dname,
ename,
salary,
row_number() over(partition by dname order by salary desc) as `row_number`,
dense_rank() over(partition by dname order by salary desc) as `dense_rank`,
rank() over(partition by dname order by salary desc) as `rank`
from employee;

在这里插入图片描述

例2：求每个部分薪资的前三名的员工

# --求出每个部门薪资排在前三名的员工- 分组求TOPN
select
*
from
(
    select
     dname,
     ename,
     salary,
     row_number() over(partition by dname order by salary desc) as rn,
    from employee
)t
where t.rn <= 3;

在这里插入图片描述

聚合函数

例：求每个部门的薪水，并按照hiredate升序

select
 dname,
 ename,
 hiredate,
 salary,
 sum(salary) over(partition by dname order by hiredate) as pv1
-- 根据dname分组，按hiredate升序排列，求每个部门薪水
from employee;

在这里插入图片描述

分布函数

CUME_DIST（累计分布值）

•分组内小于、等于当前rank值的行数 / 分组内总行数

select
 dname,
 ename,
 salary,
 cume_dist() over(order by salary) as rn1, -- 没有partition语句 所有的数据位于一组
 cume_dist() over(partition by dname order by salary) as rn2
from employee;

在这里插入图片描述

说明：

rn1: 没有partition,所有数据均为1组，总行数为12，

​ 第一行：小于等于3000的行数为3，因此，3/12=0.25

​ 第二行：小于等于4000的行数为5，因此，5/12=0.4166666666666667

rn2: 按照部门分组，dname='研发部’的行数为6,

​ 第一行：研发部小于等于3000的行数为1，因此，1/6=0.16666666666666666

PERCENT_RANK （等级值）

•(rank-1) / (rows-1)进行计算。其中，rank为RANK()函数产生的序号，rows为当前窗口的记录总行数

select
 dname,
 ename,
 salary,
 rank() over(partition by dname order by salary desc ) as rn,
 percent_rank() over(partition by dname order by salary desc ) as rn2
from employee;

在这里插入图片描述

说明：

rn2:

第一行: (1 - 1) / (6 - 1) = 0

第二行: (1 - 1) / (6 - 1) = 0

第三行: (3 - 1) / (6 - 1) = 0.4

前后函数

LAG函数

返回位于当前行的前n行（LAG(expr,n)）

select
 dname,
 ename,
 hiredate,
 salary,
 lag(hiredate,1,'2000-01-01') over(partition by dname order by hiredate) as last_1_time,
 lag(hiredate,2) over(partition by dname order by hiredate) as last_2_time
from employee;

在这里插入图片描述

说明：

last_1_time: 指定了往上第1行的值，default为’2000-01-01’

​ 第一行，往上1行为null,因此取默认值 ‘2000-01-01’

​ 第二行，往上1行值为第一行值，2021-11-01

​ 第三行，往上1行值为第二行值，2021-11-02

last_2_time: 指定了往上第2行的值，为指定默认值

​ 第一行，往上2行为null

​ 第二行，往上2行为null

​ 第四行，往上2行为第二行值，2021-11-01

​ 第七行，往上2行为第五行值，2021-11-02

LEAD函数

返回当前行的后n行（LEAD(expr,n)）的expr的值

select
 dname,
 ename,
 hiredate,
 salary,
 lead(hiredate,1,'2000-01-01') over(partition by dname order by hiredate) as last_1_time,
 lead(hiredate,2) over(partition by dname order by hiredate) as last_2_time
from employee;

在这里插入图片描述

头尾函数

FIRST_VALUE和LAST_VALUE

•返回第一个（FIRST_VALUE(expr)）的值或最后一个（LAST_VALUE(expr)）expr的值

-- 注意,  如果不指定ORDER BY，则进行排序混乱，会出现错误的结果
select
  dname,
  ename,
  hiredate,
  salary,
  first_value(salary) over(partition by dname order by hiredate) as first,
  last_value(salary) over(partition by dname order by  hiredate) as last
from  employee;

在这里插入图片描述

NTH_VALUE(expr, n）

•返回窗口中第n个expr的值。expr可以是表达式，也可以是列名

-- 查询每个部门截止目前薪资排在第二和第三的员工信息
select
  dname,
  ename,
  hiredate,
  salary,
  nth_value(salary,2) over(partition by dname order by hiredate) as second_score,
  nth_value(salary,3) over(partition by dname order by hiredate) as third_score
from employee;

在这里插入图片描述

NTILE(n)

•将分区中的有序数据分为n个等级，记录等级数

-- 根据入职日期将每个部门的员工分成3组
select
  dname,
  ename,
  hiredate,
  salary,
ntile(3) over(partition by dname order by  hiredate  ) as rn
from employee;

在这里插入图片描述

窗口范围

window_function ( expr ) OVER ( 
  PARTITION BY 分组的列... 
  ORDER BY 排序列... 
  [ rows|range] between 起始行 and 结束行
) 
from 表名;
函数说明
unbound preceding向上无边界
n preceding向上n行
current row当前行
n following向下n行
unbound following向下无边界
窗口范围与聚合函数结合

例1：求第一行到当前行的薪水总和

select
 dname,
 ename,
 salary,
 sum(salary) over(partition by dname order by hiredate  rows between unbounded preceding and current row) as c1
from employee;

在这里插入图片描述

例2：求当前行的前3行到当前行的薪水总和

select
 dname,
 ename,
 salary,
 sum(salary) over(partition by dname order by hiredate   rows between 3 preceding and current row) as c1
from employee;

在这里插入图片描述

例3：求当前行的前3行和后一行的薪水总和（即5行，包括当前行）

select
 dname,
 ename,
 salary,
 sum(salary) over(partition by dname order by hiredate   rows between 3 preceding and 1 following) as c1
from employee;

在这里插入图片描述

例4：求当前行到最后一行的薪水总和

select
 dname,
 ename,
 salary,
 sum(salary) over(partition by dname order by hiredate   rows between current row and unbounded following) as c1
from employee;

在这里插入图片描述

rows和range的区别
  • ROWS是根据分区数据排序之后，每一行的 row_number 确定每行关联的 window frame 范围。
  • RANGE是根据分区数据排序之后，每一行的排序列的值确定每行关联的 window frame 范围。
准备数据
CREATE TABLE sales (
    month int,
    sales int
);
insert into sales values
(1,10),
(2,23),
(4,5),
(5,32),
(6,22);

例：计算最近3个月的累计销售

rows
select
    month,
    sales,
    sum(sales) over(
        order by month
        rows between 2 preceding and current row ) as sale
    from sales;

在这里插入图片描述

缺点:因为没有3月份，但是4月份把1月和2月销售一起计算。要求是连续3个月，因此这个需要用range。

range
select
    month,
    sales,
    sum(sales) over(
                    order by month
                    range between 2 preceding and current row
    ) as sum_sales
from sales;

在这里插入图片描述

说明：range是根据排序的那一列的值，所以是对month那一列的值进行向上几行或向下几行。

思考：如果求一个月中的近3天销售量

CREATE TABLE tb_sales (
    sale_date DATE,
    quantity INT
);

-- [0, 1) * 100 ==> [0, 100) + 1 ==> [1, 101)
INSERT INTO tb_sales (sale_date, quantity)
VALUES
('2024-07-01', FLOOR(RAND() * 100) + 1),
('2024-07-02', FLOOR(RAND() * 100) + 1),
('2024-07-03', FLOOR(RAND() * 100) + 1),
('2024-07-04', FLOOR(RAND() * 100) + 1),
('2024-07-05', FLOOR(RAND() * 100) + 1),
('2024-07-08', FLOOR(RAND() * 100) + 1),
('2024-07-09', FLOOR(RAND() * 100) + 1),
('2024-07-10', FLOOR(RAND() * 100) + 1),
('2024-07-11', FLOOR(RAND() * 100) + 1),
('2024-07-12', FLOOR(RAND() * 100) + 1),
('2024-07-13', FLOOR(RAND() * 100) + 1),
('2024-07-14', FLOOR(RAND() * 100) + 1),
('2024-07-15', FLOOR(RAND() * 100) + 1),
('2024-07-18', FLOOR(RAND() * 100) + 1),
('2024-07-19', FLOOR(RAND() * 100) + 1),
('2024-07-20', FLOOR(RAND() * 100) + 1),
('2024-07-21', FLOOR(RAND() * 100) + 1),
('2024-07-22', FLOOR(RAND() * 100) + 1),
('2024-07-23', FLOOR(RAND() * 100) + 1),
('2024-07-24', FLOOR(RAND() * 100) + 1),
('2024-07-25', FLOOR(RAND() * 100) + 1),
('2024-07-28', FLOOR(RAND() * 100) + 1),
('2024-07-29', FLOOR(RAND() * 100) + 1),
('2024-07-30', FLOOR(RAND() * 100) + 1),
('2024-07-31', FLOOR(RAND() * 100) + 1);
;

select
    sale_date, quantity,
    sum(quantity) over(
        order by sale_date
        range between interval 2 day preceding and current row
    ) total
from tb_sales;

注意：MySQL中计算间隔天数，需要加上interval n day。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1970778.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

贪心（区间）

贪心（区间）

905. 区间选点 - AcWing题库 #include<bits/stdc.h> using namespace std; const int N1e510;struct Range {int l,r;bool operator <(const Range&m)const{return r<m.r;} }range[N];int main() {int n;cin>>n;for(int i0;i<n;i){cin>>range[…
阅读更多...
汉诺塔(C++)

汉诺塔(C++)

解决汉诺塔问题是程序递归思想最基本的体现&#xff0c;问题以及规则如下&#xff1a; 汉诺塔&#xff08;Tower of Hanoi&#xff09;&#xff0c;又称河内塔&#xff0c;是一个源于印度古老传说的益智玩具。大梵天创造世界的时候做了三根金刚石柱子&#xff0c;在一根柱子上…
阅读更多...
测评自养号与机刷：电商平台推广的深度解析与区别探讨

测评自养号与机刷：电商平台推广的深度解析与区别探讨

在电商平台上&#xff0c;产品和店铺的评价至关重要&#xff0c;许多买家在购买前都会仔细查看评论&#xff0c;比较同类产品的口碑&#xff0c;以便做出明智的选择。今天&#xff0c;我们将探讨测评自养号与机刷之间的区别。 测评一直是各大电商平台常用的推广手段&#xff0c…
阅读更多...
心算项目攻略：最大化卡牌得分技巧

心算项目攻略：最大化卡牌得分技巧

目录 题目描述代码逻辑原理总结解析&#xff1a;代码逻辑&#xff1a;示例场景&#xff1a;总结&#xff1a; 题目 选自力扣 心算项目的挑战比赛中&#xff0c;要求选手从 N 张卡牌中选出 cnt 张卡牌&#xff0c;若这 cnt 张卡牌数字总和为偶数&#xff0c;则选手成绩「有效」…
阅读更多...
AI绘画工具推荐：Stable Diffusion的新境界

AI绘画工具推荐：Stable Diffusion的新境界

前言 在AI绘画的世界里&#xff0c;Stable Diffusion无疑是一颗璀璨的明星。然而&#xff0c;对于许多用户来说&#xff0c;切换不同的UI界面和管理众多模型是一项挑战。今天&#xff0c;我们为大家介绍一款革命性的工具——Stability Matrix&#xff0c;它将彻底改变你对Stabl…
阅读更多...
JavaScript前端面试题——fetch

JavaScript前端面试题——fetch

什么是fetch&#xff1f; fetch&#xff1a;fetch是浏览器内置的api&#xff0c;用于发送网络请求 ajax&axios&fetch的关系 ajax&#xff1a;ajax 是一种基于原生 JavaScript 的异步请求技术。它使用 XMLHttpRequest 对象来发送请求和接收响应。 axios&#xff1a;…
阅读更多...
MP4标准格式深度解析

MP4标准格式深度解析

&#x1f60e; 作者介绍&#xff1a;欢迎来到我的主页&#x1f448;&#xff0c;我是程序员行者孙&#xff0c;一个热爱分享技术的制能工人。计算机本硕&#xff0c;人工制能研究生。公众号&#xff1a;AI Sun&#xff08;领取大厂面经等资料&#xff09;&#xff0c;欢迎加我的…
阅读更多...
校园选课助手【1】-项目整体架构从此开始

校园选课助手【1】-项目整体架构从此开始

项目背景 随着高校招生规模的不断扩大&#xff0c;学生选课需求日益增长。为提高选课效率&#xff0c;降低学生选课压力&#xff0c;本项目旨在开发一款校园选课助手软件。 项目目标:开发一款具有以下特点的校园选课助手软件&#xff1a; 易用性&#xff1a;界面简洁&#xff…
阅读更多...
微信-公众号/订阅号推送消息（js版本）

微信-公众号/订阅号推送消息（js版本）

1.登录或注册微信测试号 &#xff08;测试号的名称由官方自动生成&#xff0c;不能更改&#xff09; 微信测试号入口&#xff1a;微信公众平台 ​ 2.登录进去后会看到自己的appId和appsecret &#xff08;这两个参数都需填入代码中&#xff09; ​ 3.检查是否安装nodeJs…
阅读更多...
《刚刚问世》系列初窥篇-Java+Playwright自动化测试-3-启动浏览器（详细教程）

《刚刚问世》系列初窥篇-Java+Playwright自动化测试-3-启动浏览器（详细教程）

软件测试微信群&#xff1a;https://bbs.csdn.net/topics/618423372 有兴趣的可以扫码加入 1.简介 通过前边两篇文章跟随宏哥学习想必到这里已经将环境搭建好了&#xff0c;今天就在Java项目搭建环境中简单地实践一下&#xff1a; 启动两大浏览器。按市场份额来说&#xff0c…
阅读更多...
[极客大挑战 2019]BuyFlag1

[极客大挑战 2019]BuyFlag1

这个题目比较常规&#xff0c;算是我遇到的简单题&#xff0c;也是这段时间第一个独立解出的&#xff0c;有点小开心。 首先打开靶机&#xff0c;一个平平无奇的纳新页面&#xff0c;很容易找到 /pay.php 看一下pay.php 这里说了几个条件&#xff1a;需要100000000&#xff0c…
阅读更多...
【iOS】copystrong原理+深浅拷贝+完全拷贝

【iOS】copystrong原理+深浅拷贝+完全拷贝

Copy&Strong原理 Copy探究 在回答copy的各种问题前&#xff0c;我们需要先了解我们为什么要使用copy。 拷贝的目的 &#xff1a; 产生一个副本对象&#xff0c;跟源对象互不影响 修改了源对象&#xff0c;不会影响副本对象修改了副本对象&#xff0c;不会影响源对象 iOS…
阅读更多...
量化方法怎么选？如何评估量化后的大模型LLM？

量化方法怎么选？如何评估量化后的大模型LLM？

文章内容总结自&#xff1a;Evaluating Quantized Large Language Models&#xff08;https://arxiv.org/abs/2402.18158&#xff09; 如果想深入了解量化的基本概念和如何用代码实现请参考&#xff1a; Michael&#xff1a;用python代码深入浅出量化概念 &#xff08;https…
阅读更多...
YOLOv10改进 | 注意力篇 | YOLOv10引入SpatialGroupEnhance注意力机制，并构建C2f_SGE

YOLOv10改进 | 注意力篇 | YOLOv10引入SpatialGroupEnhance注意力机制，并构建C2f_SGE

1. SGE介绍 1.1 摘要：卷积神经网络（CNN）通过收集语义子特征的层次和不同部分来生成复杂对象的特征表示。这些子特征通常可以以分组的形式分布在每层的特征向量中[43，32]，代表各种语义实体。然而，这些子特征的激活通常在空间上受到相似模式和噪声背景的影响，从而导致错误…
阅读更多...
虚拟机win server安装配置DNS服务器

虚拟机win server安装配置DNS服务器

准备工作 创建DNS服务器前将自己的网卡地址设置为静态IP&#xff0c;选择自己的网卡。因为本机作为DNS服务器所以将DNS服务器地址设为了自己的回环地址。 一、使用服务器管理安装 DNS 服务器 1、登录服务器后&#xff0c;服务器会默认启用“服务器管理”页面&#xff0c;选择…
阅读更多...
提前批测开三面，已OC！

提前批测开三面，已OC！

大家好&#xff0c;我是洋子 近期百度提前批已经开始有一段时间了&#xff0c;甚至已经有不少 25 届的同学 oc 了&#xff0c;这里分享一位已经顺利 oc 百度提前批测开岗位同学的三轮面试面经 整个三轮技术面试总体难度不高&#xff0c;但考察知识广度比较广&#xff0c;如果…
阅读更多...
搭建 STM32 网关服务器的全流程：集成嵌入式 C++、TCP/IP 通信、Flash 存储及 JWT 认证（含代码示例）

搭建 STM32 网关服务器的全流程：集成嵌入式 C++、TCP/IP 通信、Flash 存储及 JWT 认证（含代码示例）

引言 随着物联网&#xff08;IoT&#xff09;技术的快速发展&#xff0c;基于 STM32 的服务器&#xff08;类似网关&#xff09;在数据采集、设备控制等方面的应用越来越广泛。本文将介绍搭建一个基于 STM32 的服务器所需的技术栈&#xff0c;以及详细的搭建步骤和代码示例。 …
阅读更多...
好的养宠空气净化器是智商税吗？好的养宠空气净化器用户体验

好的养宠空气净化器是智商税吗？好的养宠空气净化器用户体验

家里养了两只“超级掉毛怪”,家里的猫毛满天飞&#xff0c;衣服床餐具等到处都是&#xff01;感受一下40度高温的养猫人&#xff0c;给掉毛怪疏毛浮毛飘飘&#xff0c;逃不过的饮水机&#xff0c;各个角落&#xff0c;多猫拉臭传来的异味。 一、养猫需要解决的问题 掉毛&#…
阅读更多...
Tsan-ThreadSanitizer之As if synchronized via sleep

Tsan-ThreadSanitizer之As if synchronized via sleep

最近在调试ffmpeg的时候&#xff0c;加入了tsan&#xff0c;结果出现了下面提示&#xff1a; 具体什么意思呢&#xff0c;找了很久找到了官方介绍&#xff1a; https://github.com/google/sanitizers/wiki/ThreadSanitizerReportFormat
阅读更多...
大数据-61 Kafka 高级特性 消息消费02-主题与分区 自定义反序列化 拦截器 位移提交 位移管理 重平衡

大数据-61 Kafka 高级特性 消息消费02-主题与分区 自定义反序列化 拦截器 位移提交 位移管理 重平衡

点一下关注吧&#xff01;&#xff01;&#xff01;非常感谢&#xff01;&#xff01;持续更新&#xff01;&#xff01;&#xff01; 目前已经更新到了&#xff1a; Hadoop&#xff08;已更完&#xff09;HDFS&#xff08;已更完&#xff09;MapReduce&#xff08;已更完&am…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023