sql窗口函数通过over()子句实现，能在不减少行数的情况下进行分组、排序和计算，常用于排名、滑动平均和累计值分析。1. 使用rank()、dense_rank()、row_number()进行排名，rank()会跳过并列后的排名，dense_rank()不跳，row_number()为每行分配唯一序号；2. 滑动计算如移动平均可用rows between定义窗口范围，例如rows between 6 preceding and current row表示当前行及前6行；3. 窗口函数与group by不同，前者保留所有行并为每行返回计算结果，后者折叠为每组一行；4. 处理null值可通过nulls first或nulls last控制排序位置，计算时null通常被忽略，可用coalesce()替换为默认值；5. 性能优化包括避免不必要的order by、缩小窗口范围、建立索引、使用物化视图及选择高效函数如row_number()；6. 实际应用中可用lag()计算用户购买间隔，用sum() over()计算累计消费，从而分析复购率和消费趋势，帮助制定营销策略。
SQL窗口函数，简单说，就是能在SQL查询中进行分组排序、计算累计值、滑动平均等复杂操作的利器。它就像一个“窗口”在你查询结果集上滑动，让你能在每一行数据上访问到与它相关的其他行的数据。这对于数据分析简直是福音！
SQL窗口函数通过OVER()子句来实现，关键在于定义这个“窗口”的范围和计算方式。
窗口函数的基本语法：
函数名(参数) OVER (PARTITION BY 列名 ORDER BY 列名 ROWS BETWEEN 起始位置 AND 结束位置)
- PARTITION BY： 用于将数据分组，就像GROUP BY一样，但它不会像GROUP BY那样折叠数据，而是保留每一行。
- ORDER BY： 用于在每个分区内对数据进行排序。
-
ROWS BETWEEN： 用于定义窗口的范围。例如，
ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW
表示从分区的第一行到当前行。
如何使用窗口函数进行排名？
排名是窗口函数最常见的应用之一。SQL提供了多种排名函数：
- RANK()： 排名会跳跃。例如，如果有两个并列第一，那么下一个排名就是第三。
- DENSE_RANK()： 排名不会跳跃。如果有两个并列第一，那么下一个排名就是第二。
- ROW_NUMBER()： 为每一行分配一个唯一的序号，即使值相同，排名也不会重复。
例如，要按销售额对客户进行排名：
SELECT
customer_id,
sales_amount,
RANK() OVER (ORDER BY sales_amount DESC) AS sales_rank
FROM
orders;如果想按地区对客户进行排名，可以加上
PARTITION BY：
SELECT
customer_id,
region,
sales_amount,
RANK() OVER (PARTITION BY region ORDER BY sales_amount DESC) AS sales_rank
FROM
orders;如何使用窗口函数进行滑动计算？
滑动计算，比如计算移动平均，也是窗口函数的强项。 这能让你观察数据随时间变化的趋势。
例如，计算过去7天的移动平均销售额：
SELECT
sale_date,
sales_amount,
AVG(sales_amount) OVER (ORDER BY sale_date ASC ROWS BETWEEN 6 PRECEDING AND CURRENT ROW) AS moving_average
FROM
sales;这里，
ROWS BETWEEN 6 PRECEDING AND CURRENT ROW定义了窗口范围，从当前行往前数6行，也就是过去7天的数据。
窗口函数与GROUP BY的区别是什么？
虽然窗口函数和GROUP BY都能进行分组，但它们之间有本质的区别。GROUP BY会将数据折叠成更少的行，每个分组只返回一行。而窗口函数则不会折叠数据，它会为每一行都返回一个值，这个值是基于窗口的计算结果。简单来说，GROUP BY改变了结果集的行数，而窗口函数不会。
举个例子，你想知道每个部门的平均工资，同时还要显示每个员工的工资。如果用GROUP BY，你只能得到每个部门的平均工资，无法同时显示每个员工的工资。但如果用窗口函数，你就可以同时得到这两个信息：
SELECT
employee_name,
department,
salary,
AVG(salary) OVER (PARTITION BY department) AS average_salary_by_department
FROM
employees;如何处理窗口函数中的NULL值？
NULL值在窗口函数中可能会带来一些问题，特别是涉及到排序和计算时。默认情况下，ORDER BY会将NULL值排在最前面或最后面，具体取决于数据库的实现。可以使用
NULLS FIRST或
NULLS LAST来显式指定NULL值的排序方式。
例如：
SELECT
product_id,
price,
RANK() OVER (ORDER BY price DESC NULLS LAST) AS price_rank
FROM
products;这个例子中，
NULLS LAST表示将NULL值排在最后面。
对于计算函数，比如AVG()或SUM()，NULL值通常会被忽略。但如果窗口内的所有值都是NULL，那么结果也会是NULL。可以使用
COALESCE()函数将NULL值替换为0或其他默认值，以避免这种情况。
窗口函数性能优化有哪些技巧？
窗口函数虽然强大，但如果使用不当，可能会影响查询性能。以下是一些优化技巧：
- 避免不必要的排序： 如果不需要排序，就不要使用ORDER BY子句。排序会增加计算成本。
- 尽量缩小窗口范围： 窗口范围越小，计算量越小。
- 利用索引： 如果窗口函数涉及到排序或分组，确保相关的列上有索引。
- 考虑物化视图： 对于复杂的窗口函数查询，可以考虑使用物化视图来预先计算结果，从而提高查询速度。
- 选择合适的窗口函数： 不同的窗口函数性能可能有所不同。例如，ROW_NUMBER()通常比RANK()或DENSE_RANK()更快。
实际案例：如何使用窗口函数分析用户行为？
假设你是一家电商公司，想要分析用户的购买行为。你可以使用窗口函数来计算用户的复购率、购买间隔等指标。
例如，计算每个用户的购买间隔：
SELECT
user_id,
order_date,
order_id,
LAG(order_date, 1, order_date) OVER (PARTITION BY user_id ORDER BY order_date) AS previous_order_date,
DATE_DIFF('day',LAG(order_date, 1, order_date) OVER (PARTITION BY user_id ORDER BY order_date),order_date) AS days_since_last_order
FROM
orders;这里，
LAG()函数用于获取每个用户上一次的购买日期。
PARTITION BY user_id表示按用户分组，
ORDER BY order_date表示按购买日期排序。
DATE_DIFF()函数计算两次购买之间的天数。
你还可以使用窗口函数来计算用户的累计消费金额：
SELECT
user_id,
order_date,
order_id,
order_amount,
SUM(order_amount) OVER (PARTITION BY user_id ORDER BY order_date) AS cumulative_spending
FROM
orders;这些分析可以帮助你更好地了解用户行为，从而制定更有效的营销策略。
