不好意思,我真的不知道MySQL的窗口函数...
??點(diǎn)擊上方?好好學(xué)java?,選擇?星標(biāo)?公眾號
重磅資訊、干貨,第一時(shí)間送達(dá) 今日推薦:推薦 8 個(gè)常用 Spring Boot 項(xiàng)目個(gè)人原創(chuàng)+1博客:點(diǎn)擊前往,查看更多來源:知乎
本文用到的學(xué)生分?jǐn)?shù)表格和語句如下:
首先創(chuàng)建了如下班級分?jǐn)?shù)表格為例:
窗口函數(shù)可以大體分為兩大類,第一類是能夠作為窗口函數(shù)的聚合函數(shù):SUM、AVG、COUNT、MAX、MIN,第二類是以RANK、DENSE_RANK、ROW_NUMBER為代表的專用窗口函數(shù)。為了便于理解窗口函數(shù),首先以聚合函數(shù)sum()為例,下面分別使用窗口函數(shù)和聚合函數(shù)展示每個(gè)學(xué)生的成績總分:
附上我歷時(shí)三個(gè)月總結(jié)的?Java 面試 + Java 后端技術(shù)學(xué)習(xí)指南,這是本人這幾年及春招的總結(jié),目前,已經(jīng)拿到了大廠offer,拿去不謝!
下載方式
1.?首先掃描下方二維碼
2.?后臺回復(fù)「Java面試」即可獲取
--?作為窗口函數(shù) SELECT 學(xué)生,科目,分?jǐn)?shù),SUM(分?jǐn)?shù)) OVER (PARTITION BY 學(xué)生) AS '總分' FROM Marks; --?與直接使用sum()聚合函數(shù)得到的結(jié)果一樣 SELECT 學(xué)生,SUM(分?jǐn)?shù)) AS '總分' FROM MarksGROUP BY 學(xué)生;在這個(gè)例子中sum()函數(shù)作為窗口函數(shù),通過對‘學(xué)生’分區(qū)后,加總各個(gè)科目的分?jǐn)?shù)得到總分,得分結(jié)果與sum()聚合函數(shù)的結(jié)果一致,但結(jié)果中保留了每一行的信息,出現(xiàn)了重復(fù)的總分行。
因?yàn)?#xff0c;所有窗口函數(shù)的執(zhí)行在JOIN, WHERE, GROUP BY, HAVING的結(jié)果集之后,在ORDER BY, LIMIT, SELECT DISTINCT之前。當(dāng)PARTITION BY執(zhí)行時(shí)GROUP BY的聚合過程已經(jīng)完成了,因此不會再產(chǎn)生數(shù)據(jù)聚合。
窗口函數(shù)的語法
window_function_name(expression)?OVER ([partition_defintion][order_definition][frame_definition])首先需要指定窗口函數(shù)的函數(shù)名,也就是在上個(gè)例子中用的sum(),之后的OVER子句中即使沒有內(nèi)容,括號也需要保留,窗口由[partition_defintion],[order_definition],[frame_definition]確定,任何一個(gè)都不是必須的。
1.partition_defintio 窗口分區(qū)
PARTITION?BY?expr?[,?expr]?...根據(jù)表達(dá)式的計(jì)算結(jié)果來進(jìn)行分區(qū)(列名也是一種表達(dá)式)。在例子中"PARTITION BY 學(xué)生"對學(xué)生列的值分區(qū)。
2. order_definition 窗口排序
ORDER?BY?expr?[ASC|DESC]?[,?expr?[ASC|DESC]]?...為分區(qū)內(nèi)的行的排列順序。以下可以實(shí)現(xiàn)對學(xué)生的科目分?jǐn)?shù)降序排列,并得出學(xué)生的科目最高分
SELECT?學(xué)生,科目,分?jǐn)?shù),MAX(分?jǐn)?shù)) OVER (PARTITION BY 學(xué)生 ORDER BY 分?jǐn)?shù) DESC) AS '最高分' FROM Marks;3. frame_definition 窗口框架
frame_clause:frame_units frame_extentframe_units:{ROWS | RANGE}frame_extent:{frame_start | frame_between}frame_between:BETWEEN frame_start AND frame_endframe_start, frame_end: {CURRENT ROW| UNBOUNDED PRECEDING| UNBOUNDED FOLLOWING| expr PRECEDING| expr FOLLOWING}窗口框架的作用對分區(qū)進(jìn)一步細(xì)分,frame_unit有兩種,分別是ROWS和RANGE,ROWS通過指定當(dāng)前行之前或之后的固定數(shù)目的行來限制分區(qū)中的行,RANGE按照排序列的當(dāng)前值,根據(jù)相同值來確定分區(qū)中的行。以下通過計(jì)算當(dāng)前行的前兩行的平均值計(jì)算分?jǐn)?shù)的移動平均分?jǐn)?shù)。
SELECT?學(xué)生,科目,分?jǐn)?shù),AVG(分?jǐn)?shù)) OVER (PARTITION BY 學(xué)生ORDER BY 分?jǐn)?shù) ASCROWS 2 preceding) AS moving_avgFROM Marks;下面我們使用RANGE對每個(gè)分區(qū)內(nèi)從第一行到當(dāng)前行計(jì)算平均值,可以看到由于RANGE根據(jù)當(dāng)前值來確定行,張三的第二行就已經(jīng)出現(xiàn)了三門的均分,對于三門分?jǐn)?shù)不同的李四,滑動平均值得結(jié)果沒有變化。
SELECT 學(xué)生,科目,分?jǐn)?shù),AVG(分?jǐn)?shù)) OVER (PARTITION BY 學(xué)生ORDER BY 分?jǐn)?shù) ASCRANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW) AS AVGFROM Marks;frame_extent指定幀的起止點(diǎn),在其中也可以只用frame_start(結(jié)束位置就默認(rèn)為當(dāng)前行)和frame_between指定起點(diǎn)和終點(diǎn)
frame_start和frame_end可以是以下幾種:
CURRENT ROW: 當(dāng)前行
UNBOUNDED PRECEDING: 區(qū)間的第一行
UNBOUNDED FOLLOWING:區(qū)間的最后一行
N PRECEDING: 當(dāng)前行之前的N行,可以是數(shù)字,也可以是一個(gè)能計(jì)算出數(shù)字的表達(dá)式
N FOLLOWING:當(dāng)前行之后的N行,可以是數(shù)字,也可以是一個(gè)能計(jì)算出數(shù)字的表達(dá)式
如果沒指定幀的話,默認(rèn)的frame取決于ORDER BY。
如果有ORDER BY,SQL會默認(rèn)幀是區(qū)間內(nèi)從第一行(UNBOUNDED PRECEDING)到當(dāng)前行(CURRENTROW)
如果沒有ORDER BY,SQL會默認(rèn)幀是區(qū)間內(nèi)從第一行(UNBOUNDED PRECEDING)到最后一行(UNBOUNDED FOLLOWING)
日常我們更常用的是在窗口函數(shù)中使用排序函數(shù):
ROW_NUMBER:?函數(shù)名即是排序方法,也就是輸出結(jié)果集分區(qū)的行號(例如:1,2,3,4,5...)
RANK:?返回結(jié)果集的分區(qū)內(nèi)數(shù)據(jù)進(jìn)行跳躍排序。也就是為相同數(shù)值的行輸出相同排序結(jié)果,對于下一行不同的數(shù)據(jù)將返回行號(例如:1,1,3,4...)
DENSE_RANK:?返回結(jié)果集分區(qū)中每行的連續(xù)排名,排名值沒有間斷。行排名等于該行之前不同排名值的數(shù)量加一(例如:1,1,2,3,4...)
NTILE: 將有序分區(qū)中的數(shù)據(jù)分發(fā)到指定數(shù)目的組中。以本文數(shù)據(jù)為例,將60-90分的分?jǐn)?shù)等分為4組,即第1組為[90, 82.5),第2組為[82.5, 75),第3組為[75, 67.5),第4組為[67.5, 60]
最后,再附上我歷時(shí)三個(gè)月總結(jié)的?Java 面試 + Java 后端技術(shù)學(xué)習(xí)指南,這是本人這幾年及春招的總結(jié),目前,已經(jīng)拿到了大廠offer,拿去不謝!
下載方式
1.?首先掃描下方二維碼
2.?后臺回復(fù)「Java面試」即可獲取
總結(jié)
以上是生活随笔為你收集整理的不好意思,我真的不知道MySQL的窗口函数...的全部內(nèi)容,希望文章能夠幫你解決所遇到的問題。
- 上一篇: 【并发那些事】可见性问题的万恶之源
- 下一篇: Redis 到底是怎么实现“附近的人”这