什麼是視窗函式
相信很多人都比較熟悉 SQL 聚合函式的語法，比如 count(), sum(), max()等，
視窗函式類似聚合函式，不同的是視窗函式不改變原有的行。
視窗函式是資料分析和資料開發必備的技能。
基本語法：<視窗函式> over (partition by <用於分組的列名> order by <用於排序的列名>)
可能這樣的解釋還是不明瞭，沒事，往後看，一會你就明白了。
案例
現在先模擬幾條資料，假如目前有學生成績表（stu_scores）如下：
| class(班級) | id(學號) | score(成績) |
|---|---|---|
| 1 | 004 | 71 |
| 2 | 003 | 98 |
| 1 | 002 | 98 |
| 2 | 001 | 80 |
| 2 | 005 | 77 |
| 1 | 006 | 80 |
語句一：
select *,
rank①() over②(partition by③ class order by④ score desc) ranking
from stu_scores;
得到的結果如下：
| class(班級) | id(學號) | score(成績) | ranking |
|---|---|---|---|
| 1 | 002 | 98 | 1 |
| 1 | 006 | 80 | 2 |
| 1 | 004 | 71 | 3 |
| 2 | 003 | 98 | 1 |
| 2 | 001 | 80 | 2 |
| 2 | 005 | 77 | 3 |
接下來解釋一下這段 SQL，這條 SQL 的目的是求每個班級內的成績排名
① rank() 排序的函式
② over() 指定分析函式工作的資料視窗大小
③ partition by 指定分組欄位，這個案例中用 class 作為分組欄位， 類似 group by
④ order by 排序，對分組後的結果進行排序
可能有些朋友會問：“這不就是 group by 和 order by 的用法麼？不用視窗函式也能實現，為啥要用它？”
這是因為，單純使用 group by 分組彙總後改變了表的行數，一行只有一個類別；
而使用視窗函式則不改變行數，可以將詳細資訊也展示出來。
到這，應該大致明白視窗函式的使用場景及如何使用了吧。
為了讓大家更好地理解視窗函式，再寫幾條語句，看看結果是否和你想的一致。
語句二：
select *,
sum(score) over(order by id) as win_sum,
count(score) over(order by id) as win_count,
min(score) over(order by id) as win_min
from stu_scores;
結果：
| class | id | score | win_sum | win_count | win_min |
|---|---|---|---|---|---|
| 2 | 001 | 80 | 80 | 1 | 80 |
| 1 | 002 | 98 | 178 | 2 | 80 |
| 2 | 003 | 98 | 276 | 3 | 80 |
| 1 | 004 | 71 | 347 | 4 | 71 |
| 2 | 005 | 77 | 424 | 5 | 71 |
| 1 | 006 | 80 | 504 | 6 | 71 |
這樣的結果是否和你想的一樣呢？
由於不加 partition by 因此沒有分組，所以從第一行開始開窗做計算。
以 win_sum 為例，第一行成績相加 80，與第二行相加得 178，再與第三行相加得 276，以此類推。
這樣做有什麼意義呢？
可以每一行的資料裡直觀的看到，截止到本行資料，統計資料是多少。
同時可以看出每一行資料，對整體統計資料的影響。
從成績上可能不太好理解，如果是從生產經營角度，比如對比每月營業額，可以更直觀地看出差距。
其它視窗函式及關鍵字
rank 與 dense_rank
rank(), dense_rank() 都屬於排序函式，區別在於有重複資料的時候如何排，看案例就知道
select *,
rank() over(order by score desc) as ranking,
dense_rank() over(order by score desc) as dense_ranking
from stu_scores;
結果：
| class | id | score | ranking | dense_ranking |
|---|---|---|---|---|
| 1 | 002 | 98 | 1 | 1 |
| 2 | 003 | 98 | 1 | 1 |
| 2 | 001 | 80 | 3 | 2 |
| 1 | 006 | 80 | 4 | 3 |
| 1 | 004 | 71 | 5 | 4 |
| 2 | 005 | 77 | 6 | 5 |
可以看到，遇到重複排名的時候，rank 是跳躍排序，如果有兩個第一，那接下來是第三；
dense_rank()則是連續排序，如果有兩個第一時，那接下來是第二。
lead 與 lag
lead(col, n, default_val)：用於統計視窗內往下第 n 行值。
第一個引數為列名，第二個引數為往下第 n 行（可選，預設為1），第三個引數為預設值（當往下第n行為NULL時候，取預設值，如不指定，則為NULL。
lag(col,n, default_val)：用於統計視窗內往上第n行值，引數和 lead 一樣
還是看案例吧，用文字講確實很難講清楚
問題：根據班級分組，統計每個班學生的成績以及小於（大於）等於該學生成績的上（下）一個學生的成績:
select *,
lead(score,1) over(partition by class order by score) as lead,
lag(score,1) over(partition by class order by score) as lag
from stu_scores;
結果：
| class | id | score | lead | lag |
|---|---|---|---|---|
| 1 | 004 | 71 | 80 | null |
| 1 | 006 | 80 | 98 | 71 |
| 1 | 002 | 98 | null | 80 |
| 2 | 005 | 77 | 80 | null |
| 2 | 001 | 80 | 98 | 77 |
| 2 | 003 | 98 | null | 80 |
可以看到，第二行 lead 的結果是第三行的成績，lag 的結果是第一行的成績，沒有的則為 null
last_value 與 first_value
這兩個比較簡單，顧名思義，分別表示取視窗內的最後一個值和第一條資料，但是先看看例子
select *,
first_value(score) over(partition by class order by score) as first,
last_value(score) over(partition by class order by score) as last
from stu_scores;
結果：
| class | id | score | first | last |
|---|---|---|---|---|
| 1 | 004 | 71 | 71 | 71 |
| 1 | 006 | 80 | 71 | 80 |
| 1 | 002 | 98 | 71 | 98 |
| 2 | 005 | 77 | 77 | 77 |
| 2 | 001 | 80 | 77 | 80 |
| 2 | 003 | 98 | 77 | 98 |
從結果看，first_value 的結果很合理，是每個分割槽的第一個資料；
但 last_value 的結果好像不符合期望，這個和我接下來要說的幾個關鍵字有關。
UNBOUNDED、PRECEDING、FOLLOWING、CURRENT ROW
先粗略地解釋一下這些關鍵字：
CURRENT ROW：當前行
n PRECEDING：往前 n 行資料
n FOLLOWING：往後 n 行資料
UNBOUNDED：起點
-
UNBOUNDED PRECEDING 表示從前面的起點，
-
UNBOUNDED FOLLOWING 表示到後面的終點
老規矩，先看例子
SELECT *,
last_value(score) ov.r(PARTITION BY class ORDER BY score) last1,
last_value(score) over(PARTITION BY class ORDER BY score RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT row) last2,
last_value(score) over(PARTITION BY class ORDER BY score RANGE BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED following) last3,
last_value(score) over(PARTITION BY class ORDER BY score RANGE BETWEEN 3 PRECEDING AND 3 FOLLOWING) last4,
last_value(score) over(PARTITION BY class ORDER BY score ROWS BETWEEN 1 PRECEDING AND 1 FOLLOWING) last5
FROM stu_scores;
結果：
| class | id | score | last1 | last2 | last3 | last4 | last5 |
|---|---|---|---|---|---|---|---|
| 1 | 004 | 71 | 71 | 71 | 98 | 71 | 80 |
| 1 | 006 | 80 | 80 | 80 | 98 | 80 | 98 |
| 1 | 002 | 98 | 98 | 98 | 98 | 98 | 98 |
| 2 | 005 | 77 | 77 | 77 | 98 | 80 | 80 |
| 2 | 001 | 80 | 80 | 80 | 98 | 80 | 98 |
| 2 | 003 | 98 | 98 | 98 | 98 | 98 | 98 |
用的都是 last_value 結果還不一樣，為什麼呢？
這是因為，last_value 預設的視窗是 RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW，
表示當前行永遠是最後一個值，因此 last1 和 last2 的結果是一樣的。
如果要獲取每個分組的最後一個值，
則需改成 RANGE BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING，
表示從最前一行作為起點，最後一行為終點，就是 last3 的結果（由於兩個分組排序後最後一個數都是 98，看不出區別，大家可以去驗證一下）
至於 last4 和 last5 的區別，則是 RANGE 和 ROWS 的區別：
RANGE BETWEEN 3 PRECEDING AND 3 FOLLOWING：
表示當前行的值分別減 3 和 加 3，以第 4 行為例，原來的 score 是 77，各加減 3，則是 74 到 80 的範圍
80 剛好是下一行的值，因此它的結果為 80，其它行由於加減 3 後沒有對應的值，因此為自身。
ROWS BETWEEN 1 PRECEDING AND 1 FOLLOWING：
表示當前行分別往前往後減一行，記住，rows 和 range 的區別就在於是當前行數還是當前行的值。
因此在同一個分組內，第一行 last5 的值為下一行的值，第二行為下一行的值，以此類推，第二個分組也一樣。
總結
到這，視窗函式的內容就基本上都講完了。這些可以說是資料分析和資料開發必備的技能，因此必須要熟練。
至於如何才能熟練，還需要多實踐。
碼字不易，如果覺得不錯，麻煩動動小手點個贊，謝謝！
持續關注不迷路，轉載請註明出處！—— 大資料的奇妙冒險