SQL 窗口函数是什么?涨见识了!

分享于2021年06月02日 sql
↓推荐关注↓窗口函数(Window Function) 是 SQL2003 标准中定义的一项新特性,并在 SQL2011、SQL2016 中又加以完善,添加了若干处拓展。窗口函数不同于我们熟悉的普通函数和聚合函数,它为每行数据进行一次计算:输入多行(一个窗口)、返回一个值。在报表等分析型查询中,窗口函数能优雅地表达某些需求,发挥不可替代的作用。本文首先介绍窗口函数的定义及基本语法,之后将介绍在 DBMS 和大数据系统中是如何实现高效计算窗口函数的,包括窗口函数的优化、执行以及并行执行。什么是窗口函数?窗口函数出现在 SELECT 子句的表达式列表中,它最显著的特点就是 OVER 关键字。语法定义如下:window_function (expression) OVER (   [ PARTITION BY part_list ]   [ ORDER BY order_list ]   [ { ROWS | RANGE } BETWEEN frame_start AND frame_end ] )其中包括以下可选项:PARTITION BY 表示将数据先按 part_list 进行分区ORDER BY 表示将各个分区内的数据按 order_list 进行排序Figure 1. 窗口函数的基本概念最后一项表示 Frame 的定义,即:当前窗口包含哪些数据?ROWS 选择前后几行,例如 ROWS BETWEEN 3 PRECEDING AND 3 FOLLOWING 表示往前 3 行到往后 3 行,一共 7 行数据(或小于 7 行,如果碰到了边界)RANGE 选择数据范围,例如 RANGE BETWEEN 3 PRECEDING AND 3 FOLLOWING 表示所有值在 [c−3,c+3][c−3,c+3] 这个范围内的行,cc 为当前行的值Figure 2. Rows 窗口和 Range 窗口逻辑语义上说,一个窗口函数的计算“过程”如下:按窗口定义,将所有输入数据分区、再排序(如果需要的话)对每一行数据,计算它的 Frame 范围将 Frame 内的行集合输入窗口函数,计算结果填入当前行举个例子:SELECT dealer_id, emp_name, sales,       ROW_NUMBER() OVER (PARTITION BY dealer_id ORDER BY sales) AS rank,       AVG(sales) OVER (PARTITION BY dealer_id) AS avgsales FROM sales上述查询中,rank 列表示在当前经销商下,该雇员的销售排名;avgsales 表示当前经销商下所有雇员的平均销售额。查询结果如下:注:语法中每个部分都是可选的:如果不指定 PARTITION BY,则不对数据进行分区;换句话说,所有数据看作同一个分区如果不指定 ORDER BY,则不对各分区做排序,通常用于那些顺序无关的窗口函数,例如 SUM()如果不指定 Frame 子句,则默认采用以下的 Frame 定义:若不指定 ORDER BY,默认使用分区内所有行 RANGE BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING若指定了 ORDER BY,默认使用分区内第一行到当前值 RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW最后,窗口函数可以分为以下 3 类:聚合(Aggregate):AVG(), COUNT(), MIN(), MAX(), SUM()...取值(Value):FIRST_VALUE(), LAST_VALUE(), LEAD(), LAG()...排序(Ranking):RANK(), DENSE_RANK(), ROW_NUMBER(), NTILE()...受限于篇幅,本文不去探讨各个窗口函数的含义。注:Frame 定义并非所有窗口函数都适用,比如 ROW_NUMBER()、RANK()、LEAD() 等。这些函数总是应用于整个分区,而非当前 Frame。窗口函数 VS. 聚合函数从_聚合_这个意义上出发,似乎窗口函数和 Group By 聚合函数都能做到同样的事情。但是,它们之间的相似点也仅限于此了!这其中的关键区别在于:窗口函数仅仅只会将结果附加到当前的结果上,它不会对已有的行或列做任何修改。而 Group By 的做法完全不同:对于各个 Group 它仅仅会保留一行聚合结果。有的读者可能会问,加了窗口函数之后返回结果的顺序明显发生了变化,这不算一种修改吗?因为 SQL 及关系代数都是以 multi-set 为基础定义的,结果集本身并没有顺序可言,ORDER BY 仅仅是最终呈现结果的顺序。另一方面,从逻辑语义上说,SELECT 语句的各个部分可以看作是按以下顺序“执行”的:Figure 3. SQL 各部分的逻辑执行顺序注意到窗口函数的求值仅仅位于 ORDER BY 之前,而位于 SQL 的绝大部分之后。这也和窗口函数只附加、不修改的语义是呼应的——结果集在此时已经确定好了,再依此计算窗口函数。窗口函数的执行窗口函数经典的执行方式分为排序和函数求值这 2 步。Figure 4. 一个窗口函数的执行过程,通常分为排序和求值 2 步窗口定义中的 PARTITION BY 和 ORDER BY 都很容易通过排序完成。例如,对于窗口 PARTITION BY a, b ORDER BY c, d,我们可以对输入数据按 (a,b,c,d)(a,b,c,d) 或 (b,a,c,d)(b,a,c,d) 做排序,之后数据就排列成 Figure 1 中那样了。接下来考虑:如何处理 Frame?对于整个分区的 Frame(例如 RANGE BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING),只要对整个分区计算一次即可,没什么好说的;对于逐渐增长的 Frame(例如 RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW),可以用 Aggregator 维护累加的状态,这也很容易实现;对于滑动的 Frame(例如 ROWS BETWEEN 3 PRECEDING AND 3 FOLLOWING)相对困难一些。一种经典的做法是要求 Aggregator 不仅支持增加还支持删除(Removable),这可能比你想的要更复杂,例如考虑下 MAX() 的实现。窗口函数的优化对于窗口函数,优化器能做的优化有限。这里为了行文的完整性,仍然做一个简要的说明。通常,我们首先会把窗口函数从 Project 中抽取出来,成为一个独立的算子称之为 Window。Figure 5. 窗口函数的优化过程有时候,一个 SELECT 语句中包含多个窗口函数,它们的窗口定义(OVER 子句)可能相同、也可能不同。显然,对于相同的窗口,完全没必要再做一次分区和排序,我们可以将它们合并成一个 Window 算子。对于不同的窗口,最朴素地,我们可以将其全部分成不同的 Window,如上图所示。实际执行时,每个 Window 都需要先做一次排序,代价不小。那是否可能利用一次排序计算多个窗口函数呢?某些情况下,这是可能的。例如本文例子中的 2 个窗口函数:... ROW_NUMBER() OVER (PARTITION BY dealer_id ORDER BY sales) AS rank,    AVG(sales) OVER (PARTITION BY dealer_id) AS avgsales ...虽然这 2 个窗口并非完全一致,但是 AVG(sales) 不关心分区内的顺序,完全可以复用 ROW_NUMBER() 的窗口。窗口函数的并行执行现代 DBMS 大多支持并行执行。对于窗口函数,由于各个分区之间的计算完全不相关,我们可以很容易地将各个分区分派给不同的节点(线程),从而达到分区间并行。但是,如果窗口函数只有一个全局分区(无 PARTITION BY 子句),或者分区数量很少、不足以充分并行时,怎么办呢?上文中我们提到的 Removable Aggregator 的技术显然无法继续使用了,它依赖于单个 Aggregator 的内部状态,很难有效地并行起来。TUM 的这篇论文中提出使用线段树(Segment Tree)实现高效的分区内并行。线段树是一个 N 叉树数据结构,每个节点包含当前节点下的部分聚合结果。下图是一个使用二叉线段树计算 SUM() 的例子。例如下图中第三行的 1212,表示叶节点 5+75+7 的聚合结果;而它上方的 2525 表示叶节点 5+7+3+105+7+3+10 的聚合结果。Figure 6. 使用线段树计算给定范围的总和假设当前 Frame 是第 2 到第 8 行,即需要计算 7+3+10+...+47+3+10+...+4 区间之和。有了线段树以后,我们可以直接利用 7+13+207+13+20 (图中红色字体)计算出聚合结果。线段树可以在 O(nlogn)O(nlog⁡n) 时间内构造,并能在 O(logn)O(log⁡n) 时间内查询任意区间的聚合结果。更棒的是,不仅查询可以多线程并发互不干扰,而且线段树的构造过程也能被很好地并行起来。Referenceshttp://www.vldb.org/pvldb/vol8/p1058-leis.pdfhttp://vldb.org/pvldb/vol5/p1244_yucao_vldb2012.pdfhttps://drill.apache.org/docs/sql-window-functions-introduction/)https://modern-sql.com/blog/2019-02/postgresql-11https://www.red-gate.com/simple-talk/sql/learn-sql-server/window-functions-in-sql-server/转自:Eric Fu链接:https://ericfu.me/sql-window-function/- EOF -推荐阅读  点击标题可跳转1、如何用 Python 编写你最喜欢的 R 函数?2、终于有人把内卷和囚徒困境讲明白了3、MySQL 基本知识点梳理和查询优化看完本文有收获?请转发分享给更多人推荐关注「数据分析与开发」,提升数据技能点赞和在看就是最大的支持❤️