主流SQL引擎不支持COUNT(DISTINCT)直接用于窗口函数，因去重逻辑与窗口累积语义冲突；可用ARRAY_AGG+ARRAY_DISTINCT模拟累计去重，适用于中小规模数据。
为什么 COUNT(DISTINCT ...) 不能直接套窗口函数
直接写 SELECT COUNT(DISTINCT user_id) OVER (ORDER BY dt ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW) 会报错——主流 SQL 引擎（如 PostgreSQL、MySQL 8.0+、Spark SQL）都不支持对 COUNT(DISTINCT) 使用窗口函数。本质是去重逻辑与窗口的累积语义冲突：窗口需要逐行维护状态，而 DISTINCT 是聚合操作，不可拆分。
用 ARRAY_AGG + ARRAY_DISTINCT 模拟累计去重（PostgreSQL / Spark SQL）
适用于中小规模数据（日活 user_id 收集为数组，再去重取长度：
SELECT dt, ARRAY_LENGTH(ARRAY_DISTINCT(ARRAY_AGG(user_id) OVER (ORDER BY dt)), 1) AS cumu_unique_users FROM events GROUP BY dt;
-
ARRAY_AGG必须配合GROUP BY dt，否则同一日期多行会重复累加 - PostgreSQL 需要
ARRAY_DISTINCT（v14+），旧版可用ARRAY(SELECT DISTINCT unnest(...))替代，但性能差 - Spark SQL 中对应函数是
size(array_distinct(collect_list(user_id)))，注意collect_list不去重，必须套array_distinct - 内存风险：若某天用户量极大（如千万级），
ARRAY_AGG可能 OOM
用自连接 + 子查询实现精确累计（通用兼容方案）
不依赖高级数组函数，所有 SQL 引擎都支持，但需注意性能和去重逻辑边界：
SELECT t1.dt, (SELECT COUNT(DISTINCT t2.user_id) FROM events t2 WHERE t2.dt <= t1.dt) AS cumu_unique_users FROM (SELECT DISTINCT dt FROM events) t1 ORDER BY t1.dt;
- 外层
SELECT DISTINCT dt是必须的，避免同一天多次计算 - 子查询里
t2.dt 确保“截至当天”的语义，不是“当天及之前所有分区”（注意分区字段是否严格等于dt） - 如果表有分区（如 Hive 分区字段
ds），务必在子查询中显式过滤分区，否则全表扫描代价爆炸 - 加复合索引
(dt, user_id)能显著加速子查询，尤其当dt基数低、user_id基数高时
用增量更新 + 状态表规避实时计算（生产环境推荐）
真正上线时几乎不会跑全量累计，而是每日追加计算新增去重用户，并维护一个累计状态表：
-- 每日执行（假设今天是 2024-06-15）
INSERT INTO cumu_user_stats (dt, cumu_unique_users)
SELECT
'2024-06-15',
(SELECT COALESCE(MAX(cumu_unique_users), 0) FROM cumu_user_stats WHERE dt = '2024-06-14')
+ (SELECT COUNT(DISTINCT user_id) FROM events WHERE dt = '2024-06-15'
AND user_id NOT IN (SELECT user_id FROM events WHERE dt < '2024-06-15'));- 关键点是
NOT IN部分：必须排除历史已出现的user_id，否则就是当日去重数，不是“净新增” - 实际生产中建议改用
LEFT JOIN ... IS NULL替代NOT IN，避免空值导致整个条件为NULL - 这个逻辑看似简单，但
user_id历史全集扫描仍是瓶颈，需要用布隆过滤器或 HyperLogLog 近似优化，不过那就超出纯 SQL 范畴了
真正麻烦的从来不是语法，而是“去重”本身在时间维度上的不可逆性——你没法靠一条 SQL 把昨天漏掉的用户补进前天的累计值里，所以初始化和后续校验比写法更重要。
