一、当SQL遇上窗口函数

"为什么同样的统计需求，别人用3行SQL就能实现，我却要写30行嵌套查询？" 这是许多SQL开发者都曾有过的困惑。在后端程序员日常工作中，排名统计、累计计算、分组对比等需求就像顽固的"钉子户"，直到我们遇见MySQL 8.0带来的窗口函数——这个数据库领域的"瑞士军刀"，彻底改变了我们处理复杂统计的方式。

今天小编通过三个真实业务场景，手把手教大家用ROW_NUMBER()和SUM() OVER()两大神器，轻松攻克那些曾让你头疼的数据库统计难题！

二、窗口函数基础：数据分析的透视镜

2.1 什么是窗口函数？

窗口函数（Window Function）是一种特殊类型的SQL函数，它能够在保持原有行数据完整性的同时，对数据集的特定子集（称为"窗口"）进行计算。就像给数据安装了一面"透视镜"，既能看到整体数据全貌，又能聚焦局部细节。

2.2 与普通聚合函数的区别

2.3 核心语法结构

函数名() OVER (    [PARTITION BY 分区字段]     [ORDER BY 排序字段]    [ROWS/RANGE 窗口范围])

• PARTITION BY：将数据划分为多个窗口（类似GROUP BY）
• ORDER BY：决定窗口内的数据排序方式
• ROWS/RANGE：定义窗口范围（前N行/后N行/当前行等）

2.4 常用窗口函数清单

2.5 MySQL版本要求

• MySQL 8.0+ 原生支持窗口函数
• MySQL 5.7及以下版本可通过变通方法模拟部分功能
• 执行 SELECt VERSION(); 查看数据库版本

三、ROW_NUMBER()：排名统计的终极方案

场景1：销售团队业绩龙虎榜

-- 创建示例表CREATE TABLE sales (    sales_id INT PRIMARY KEY,    salesperson VARCHAr(20),    region VARCHAr(10),    amount DECIMAL(10,2),    sale_date DATE);-- 插入测试数据INSERT INTO sales VALUES(1, '张三', '华东', 15800, '2023-06-01'),(2, '李四', '华南', 24500, '2023-06-02'),(3, '王五', '华东', 18200, '2023-06-03'),(4, '赵六', '华北', 31500, '2023-06-04'),(5, '魏七', '华东', 22700, '2023-06-05');-- 按地区分区排名SELECT     salesperson,    region,    amount,    ROW_NUMBER() OVER (PARTITION BY region ORDER BY amount DESC) AS region_rankFROM sales;

执行结果：

技巧延伸：

• 分页查询优化：WHERe region_rank BETWEEN 6 AND 10实现高效分页
• 去重处理：通过ROW_NUMBER() = 1筛选最新记录
• TOP N统计：结合CTE公用表达式进行多层级排名

二、SUM() OVER()：累计统计的魔法棒

场景2：电商平台GMV趋势分析

-- 创建订单表CREATE TABLE orders (    order_id INT PRIMARY KEY,    user_id INT,    order_amount DECIMAL(10,2),    order_date DATE);-- 插入测试数据INSERT INTO orders VALUES(1, 101, 1500, '2023-06-01'),(2, 102, 2300, '2023-06-01'),(3, 101, 800, '2023-06-02'),(4, 103, 4500, '2023-06-03'),(5, 102, 1200, '2023-06-03');-- 按日期累计统计SELECt     order_date,    SUM(order_amount) OVER (ORDER BY order_date) AS running_total,    SUM(order_amount) OVER (ORDER BY order_date                          ROWS BETWEEN 2 PRECEDING AND CURRENT ROW) AS moving_avg_3dFROM ordersGROUP BY order_date;

执行结果：

高级用法：

• 移动平均线：ROWS BETWEEN 6 PRECEDING AND CURRENT ROW实现7日均线
• 同期对比：SUM() OVER (PARTITION BY MonTH(order_date))按月分区
• 累计占比：结合LAG函数计算增长率

三、组合技：窗口函数综合实战

场景3：人力资源薪酬分析

-- 创建员工表CREATE TABLE employees (    emp_id INT PRIMARY KEY,    name VARCHAr(20),    department VARCHAr(20),    salary DECIMAL(10,2),    hire_date DATE);-- 插入测试数据INSERT INTO employees VALUES(1, '陈强', '技术部', 25000, '2020-03-15'),(2, '李娜', '市场部', 18000, '2021-07-22'),(3, '王伟', '技术部', 32000, '2019-11-05'),(4, '张敏', '财务部', 21000, '2022-02-18'),(5, '赵刚', '市场部', 19500, '2020-09-30');-- 多维度分析SELECt     department,    name,    salary,    ROW_NUMBER() OVER (PARTITION BY department ORDER BY salary DESC) AS dept_rank,    SUM(salary) OVER (PARTITION BY department) AS dept_total,    salary/SUM(salary) OVER (PARTITION BY department) AS salary_ratioFROM employees;

执行结果：

业务价值：

1. 快速识别部门薪资TOP N员工
2. 直观查看部门人力成本构成
3. 计算员工薪资在部门中的占比
4. 为薪酬调整提供数据支持

四、避坑指南与性能优化

常见问题解决方案：

动态窗口设置：使用RANGE模式处理日期区间

SUM(sales) OVER (ORDER BY sale_date                 RANGE BETWEEN INTERVAL 6 DAY PRECEDING AND CURRENT ROW)

避免在窗口函数中使用复杂表达式

总结

通过以上内容，相信大家已经感受到窗口函数在数据分析中的强大威力，大大降低了SQL编写的难度。大家是否有其他更好的使用场景欢迎评论区沟通交流！