MySQL聚合函数、日期函数、窗口函数等

黑马程序员官方
企业官方账号
2022-07-11 11:42:44

MySQL性能强劲，是目前使用最广泛的数据库之一，以 MySQL为学习原型也方便之后掌握其他数据库，下面就给大家全面讲解下MySQL8.0的新特性，从零基础到高阶一站式学习，结合实际案例让大家有所收获！

▼ MySQL8.0入门-高阶学习笔记：（汇总）

目录

概述

分类

一、聚合函数

二、数学函数

三、字符串函数

四、日期函数

五、控制流函数

六、窗口函数

序号函数

开窗聚合函数- SUM,AVG,MIN,MAX

分布函数- CUME_DIST和PERCENT_RANK

前后函数-LAG和LEAD

概述

在MySQL中，为了提高代码重用性和隐藏实现细节，MySQL提供了很多函数。函数可以理解为别人封装好的模板代码。

分类

在MySQL中，函数非常多，主要可以分为以下几类:

  • 聚合函数
  • 数学函数
  • 字符串函数
  • 日期函数
  • 控制流函数
  • 窗口函数

一、聚合函数

在MySQL中，聚合函数主要由：count,sum,min,max,avg,这些聚合函数我们之前都学过，不再重复。这里我们学习另外一个函数:group_concat(），该函数用户实现行的合并。

group_concat()函数首先根据group by指定的列进行分组，并且用分隔符分隔，将同一个分组中的值连接起来，返回一个字符串结果。

格式：

group_concat([distinct] 字段名 [order by 排序字段 asc/desc] [separator '分隔符'])

说明：

　　（1）使用distinct可以排除重复值；

　　（2）如果需要对结果中的值进行排序，可以使用order by子句；

　　（3）separator是一个字符串值，默认为逗号。

操作：

create database mydb4;
use mydb4;
 
create table emp(
    emp_id int primary key auto_increment comment '编号',
    emp_name char(20) not null default '' comment '姓名',
    salary decimal(10,2) not null default 0 comment '工资',
    department char(20) not null default '' comment '部门'
);
 
insert into emp(emp_name,salary,department) 
values('张晶晶',5000,'财务部'),('王飞飞',5800,'财务部'),('赵刚',6200,'财务部'),('刘小贝',5700,'人事部'),
('王大鹏',6700,'人事部'),('张小斐',5200,'人事部'),('刘云云',7500,'销售部'),('刘云鹏',7200,'销售部'),
('刘云鹏',7800,'销售部');

-- 将所有员工的名字合并成一行 
select group_concat(emp_name) from emp;

-- 指定分隔符合并 
select department,group_concat(emp_name separator ';' ) from emp group by department;

操作：

-- 指定排序方式和分隔符 

select department,group_concat(emp_name order by salary desc separator ';' ) from emp group by department;

二、数学函数

操作

三、字符串函数

四、日期函数

五、控制流函数

▶ if逻辑判断语句

▶ case when语句

▶ case when语句

use mydb4; 
-- 创建订单表
create table orders(
 oid int primary key, -- 订单id
 price double, -- 订单价格
 payType int -- 支付类型(1:微信支付 2:支付宝支付 3:银行卡支付 4：其他)
);
 
insert into orders values(1,1200,1);
insert into orders values(2,1000,2);
insert into orders values(3,200,3);
insert into orders values(4,3000,1);
insert into orders values(5,1500,2);

-- 方式1
select 
*  ,
case 
  when payType=1 then '微信支付' 
    when payType=2 then '支付宝支付' 
    when payType=3 then '银行卡支付' 
    else '其他支付方式' 
end  as payTypeStr
from orders;
-- 方式2
select 
*  ,
case payType
  when 1 then '微信支付' 
    when 2 then '支付宝支付' 
    when 3 then '银行卡支付' 
    else '其他支付方式' 
end  as payTypeStr
from orders;

六、窗口函数

MySQL 8.0 新增窗口函数,窗口函数又被称为开窗函数，与Oracle 窗口函数类似，属于MySQL的一大特点.

非聚合窗口函数是相对于聚函数来说的。聚合函数是对一组数据计算后返回单个值（即分组），非聚合函数一次只会处理一行数据。窗口聚合函数在行记录上计算某个字段的结果时，可将窗口范围内的数据输入到聚合函数中，并不改变行数。

分类

另外还有开窗聚合函数: SUM,AVG,MIN,MAX

语法结构

window_function ( expr ) OVER ( 
  PARTITION BY ... 
  ORDER BY ... 
  frame_clause 
)

其中，window_function 是窗口函数的名称；expr 是参数，有些函数不需要参数；OVER子句包含三个选项：

  • 分区（PARTITION BY）

PARTITION BY选项用于将数据行拆分成多个分区（组），它的作用类似于GROUP BY分组。如果省略了 PARTITION BY，所有的数据作为一个组进行计算

  • 排序（ORDER BY）

OVER 子句中的ORDER BY选项用于指定分区内的排序方式，与 ORDER BY 子句的作用类似

  • 以及窗口大小（frame_clause）

frame_clause选项用于在当前分区内指定一个计算窗口，也就是一个与当前行相关的数据子集。

序号函数

序号函数有三个：ROW_NUMBER()、RANK()、DENSE_RANK()，可以用来实现分组排序，并添加序号。

格式

row_number()|rank()|dense_rank() over ( 
  partition by ... 
  order by ... 
)

▶操作

use mydb4; 
create table employee( 
   dname varchar(20), -- 部门名 
   eid varchar(20), 
   ename varchar(20), 
   hiredate date, -- 入职日期 
   salary double -- 薪资
); 

insert into employee values('研发部','1001','刘备','2021-11-01',3000);
insert into employee values('研发部','1002','关羽','2021-11-02',5000);
insert into employee values('研发部','1003','张飞','2021-11-03',7000);
insert into employee values('研发部','1004','赵云','2021-11-04',7000);
insert into employee values('研发部','1005','马超','2021-11-05',4000);
insert into employee values('研发部','1006','黄忠','2021-11-06',4000);
 
insert into employee values('销售部','1007','曹操','2021-11-01',2000);
insert into employee values('销售部','1008','许褚','2021-11-02',3000);
insert into employee values('销售部','1009','典韦','2021-11-03',5000);
insert into employee values('销售部','1010','张辽','2021-11-04',6000);
insert into employee values('销售部','1011','徐晃','2021-11-05',9000);
insert into employee values('销售部','1012','曹洪','2021-11-06',6000);

▶操作

-- 对每个部门的员工按照薪资排序，并给出排名
select 
dname,
ename,
salary,
row_number() over(partition by dname order by salary desc) as rn 
from employee;

▶操作

-- 对每个部门的员工按照薪资排序，并给出排名 rank
select 
dname,
ename,
salary,
rank() over(partition by dname order by salary desc) as rn 
from employee;

▶操作

-- 对每个部门的员工按照薪资排序，并给出排名 dense-rank
select 
dname,
ename,
salary,
dense_rank() over(partition by dname order by salary desc) as rn 
from employee;

▶操作

--求出每个部门薪资排在前三名的员工- 分组求TOPN
select 
* 
from 
(
    select 
     dname,
     ename,
     salary,
     dense_rank() over(partition by dname order by salary desc)  as rn
    from employee
)t
where t.rn <= 3

▶操作

-- 对所有员工进行全局排序（不分组）
-- 不加partition by表示全局排序
select 
     dname,
     ename,
     salary,
     dense_rank() over( order by salary desc)  as rn
from employee;

开窗聚合函数- SUM,AVG,MIN,MAX

在窗口中每条记录动态地应用聚合函数（SUM()、AVG()、MAX()、MIN()、COUNT()），可以动态计算在指定的窗口内的各种聚合函数值。

操作

select  
 dname,
 ename,
 salary,
 sum(salary) over(partition by dname order by hiredate) as pv1 
from employee;
 
select cookieid,createtime,pv,
sum(pv) over(partition by cookieid) as pv3
from itcast_t1;  -- 如果没有order  by排序语句  默认把分组内的所有数据进行sum操作

概念

select  
 dname,
 ename,
 salary,
 sum(salary) over(partition by dname order by hiredate  rows between unbounded preceding and current row) as c1 
from employee;
 
select  
 dname,
 ename,
 salary,
 sum(salary) over(partition by dname order by hiredate   rows between 3 preceding and current row) as c1 
from employee;

操作

select  
 dname,
 ename,
 salary,
 sum(salary) over(partition by dname order by hiredate   rows between 3 preceding and 1 following) as c1 
from employee;
select  
 dname,
 ename,
 salary,
 sum(salary) over(partition by dname order by hiredate   rows between current row and unbounded following) as c1 
from employee;

分布函数- CUME_DIST和PERCENT_RANK

  • 用途：分组内小于、等于当前rank值的行数 / 分组内总行数
  • 应用场景：查询小于等于当前薪资（salary）的比例

操作

select  
 dname,
 ename,
 salary,
 cume_dist() over(order by salary) as rn1, -- 没有partition语句 所有的数据位于一组
 cume_dist() over(partition by dept order by salary) as rn2 
from employee;

/*
rn1: 没有partition,所有数据均为1组，总行数为12，
     第一行：小于等于3000的行数为3，因此，3/12=0.25
     第二行：小于等于4000的行数为5，因此，5/12=0.4166666666666667
rn2: 按照部门分组，dname='研发部'的行数为6,
     第一行：研发部小于等于3000的行数为1，因此，1/6=0.16666666666666666
*/

介绍-PERCENT_RANK

  • 用途：每行按照公式(rank-1) / (rows-1)进行计算。其中，rank为RANK()函数产生的序号，rows为当前窗口的记录总行数
  • 应用场景：不常用

操作

select 
 dname,
 ename,
 salary,
 rank() over(partition by dname order by salary desc ) as rn,
 percent_rank() over(partition by dname order by salary desc ) as rn2
from employee;

/*
 rn2:
  第一行: (1 - 1) / (6 - 1) = 0
  第二行: (1 - 1) / (6 - 1) = 0
  第三行: (3 - 1) / (6 - 1) = 0.4
*/

前后函数-LAG和LEAD

介绍

  • 用途：返回位于当前行的前n行（LAG(expr,n)）或后n行（LEAD(expr,n)）的expr的值
  • 应用场景：查询前1名同学的成绩和当前同学成绩的差值

操作

-- lag的用法
select 
 dname,
 ename,
 hiredate,
 salary,
 lag(hiredate,1,'2000-01-01') over(partition by dname order by hiredate) as last_1_time,
 lag(hiredate,2) over(partition by dname order by hiredate) as last_2_time 
from employee;

/*
last_1_time: 指定了往上第1行的值，default为'2000-01-01'  
                         第一行，往上1行为null,因此取默认值 '2000-01-01'
                         第二行，往上1行值为第一行值，2021-11-01 
                         第三行，往上1行值为第二行值，2021-11-02 
last_2_time: 指定了往上第2行的值，为指定默认值
                         第一行，往上2行为null
                         第二行，往上2行为null
                         第四行，往上2行为第二行值，2021-11-01 
                         第七行，往上2行为第五行值，2021-11-02 
*/

操作

-- lead的用法
select 
 dname,
 ename,
 hiredate,
 salary,
 lead(hiredate,1,'2000-01-01') over(partition by dname order by hiredate) as last_1_time,
 lead(hiredate,2) over(partition by dname order by hiredate) as last_2_time 
from employee;

头尾函数-FIRST_VALUE和LAST_VALUE

介绍

  • 用途：返回第一个（FIRST_VALUE(expr)）或最后一个（LAST_VALUE(expr)）expr的值
  • 应用场景：截止到当前，按照日期排序查询第1个入职和最后1个入职员工的薪资

操作

-- 注意,  如果不指定ORDER BY，则进行排序混乱，会出现错误的结果
select
  dname,
  ename,
  hiredate,
  salary,
  first_value(salary) over(partition by dname order by hiredate) as first,
  last_value(salary) over(partition by dname order by  hiredate) as last 
from  employee;

其他函数-NTH_VALUE(expr, n)、NTILE(n)

  • 用途：返回窗口中第n个expr的值。expr可以是表达式，也可以是列名
  • 应用场景：截止到当前薪资，显示每个员工的薪资中排名第2或者第3的薪资

操作

-- 查询每个部门截止目前薪资排在第二和第三的员工信息
select 
  dname,
  ename,
  hiredate,
  salary,
  nth_value(salary,2) over(partition by dname order by hiredate) as second_score,
  nth_value(salary,3) over(partition by dname order by hiredate) as third_score
from employee

介绍-NTILE

  • 用途：将分区中的有序数据分为n个等级，记录等级数
  • 应用场景：将每个部门员工按照入职日期分成3组

操作

-- 根据入职日期将每个部门的员工分成3组
select 
  dname,
  ename,
  hiredate,
  salary,
ntile(3) over(partition by dname order by  hiredate  ) as rn 
from employee;

操作

-- 取出每个部门的第一组员工
select
*
from
(
    SELECT 
        dname,
        ename,
        hiredate,
        salary,
    NTILE(3) OVER(PARTITION BY dname ORDER BY  hiredate  ) AS rn 
    FROM employee
)t
where t.rn = 1;

...全文
1486 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
复现基于改进扩散模型的高海拔地区新能源高波动出力场景生成方法（Python代码实现）
内容概要：本文提出了一种基于改进扩散模型的高海拔地区新能源高波动出力场景生成方法，并提供了完整的Python代码实现。该方法针对高海拔地区风能、光伏等新能源出力波动剧烈、不确定性高的特点，通过优化扩散模型的结构与训练策略，有效捕捉历史数据的概率分布特征与时序相关性，从而生成高质量、多样化的出力场景。文中详细阐述了模型的数学推导、网络架构设计、损失函数优化及采样算法改进，并通过实验证明其在拟合精度、场景多样性与稳定性方面优于传统生成模型，为电力系统在高比例新能源接入下的规划、调度与风险评估提供了可靠的场景输入支持。; 适合人群：具备一定Python编程能力和机器学习基础，从事新能源发电预测、电力系统分析、智能优化、场景生成等方向研究的科研人员、高校研究生及工程技术人员。; 使用场景及目标：①用于高海拔地区风电、光伏出力的不确定性建模与多场景生成；②支撑含高渗透率新能源的电力系统随机优化调度、鲁棒决策与风险评估；③为相关学术研究、论文复现与算法改进提供可运行的技术方案与代码基础； 阅读建议：建议读者结合所提供的完整资源（代码、数据集、说明文档）进行实践操作，重点关注扩散模型的前向加噪与反向去噪过程的设计细节，以及如何将其适配于新能源时序数据的生成任务，通过参数调优与对比实验深入理解模型的生成机制与性能边界。
复现计及风电不确定性的电力系统黑启动恢复模型（Matlab代码实现）
内容概要：本文档提供了多个电力系统及相关领域的Matlab和Python代码实现资源，重点聚焦于“计及风电不确定性的电力系统黑启动恢复模型”的复现研究。该模型针对高比例新能源接入背景下，风电出力波动性和不确定性对电力系统恢复过程的影响，构建了考虑不确定因素的黑启动优化恢复框架，并通过Matlab编程实现仿真验证，旨在提升新型电力系统在故障后的快速、可靠恢复能力。; 适合人群：具备一定电力系统基础知识和Matlab编程能力的研究生、科研人员及从事电力系统规划与运行工作的技术人员。; 使用场景及目标：①用于学习和复现含风电的电力系统黑启动恢复策略；②开展考虑新能源不确定性的电力系统恢复力（resilience）研究；③作为相关课题的算法开发与仿真验证参考； 阅读建议：建议结合电力系统恢复、随机优化或鲁棒优化等相关理论文献，深入理解模型构建逻辑，并利用提供的代码进行调试与案例分析，进一步拓展至其他不确定性场景或系统结构的研究。
【静态约束法】配电网电动汽车接入容量评估研究（Matlab代码实现）
内容概要：本文围绕基于静态约束法的配电网电动汽车接入容量评估展开研究，提出了一种在新型电力系统背景下评估主动配电网对电动汽车承载能力的方法。研究通过构建数学模型，结合潮流计算与关键约束条件（如电压越限、线路过载等），量化分析配电网可承受的最大电动汽车充电负荷容量，旨在识别规模化电动汽车接入带来的潜在运行风险，并为电网规划与运行提供科学依据。文中配套提供了完整的Matlab代码实现，便于仿真验证与结果复现。此外，该研究与分布式光伏承载力评估、电动汽车可调能力分析等方向形成技术联动，展现了多主题协同的研究体系。; 适合人群：具备电力系统分析基础理论知识及Matlab编程能力的高校研究生、科研机构研究人员，以及从事新能源并网、智能配电网规划与运行等相关领域的工程技术人员。; 使用场景及目标：①用于学术研究中的模型复现与论文撰写支撑；②评估实际配电网中电动汽车大规模接入的可行性与安全边界，指导充电基础设施布局；③作为高校教学案例，帮助学生深入理解电网承载力评估的核心原理、建模方法与仿真技术； 阅读建议：建议结合文中提及的相关研究方向（如二阶锥规划、多面体聚合方法等）进行对比学习，充分利用所提供的Matlab代码与网盘资料开展仿真实验，重点关注约束条件的设定逻辑与潮流计算模块的实现细节，以深化对评估模型机理与工程应用价值的理解。
黑马程序员官方

12,334

社区成员

246

社区内容

发帖
与我相关
我的任务
社区描述
传智教育旗下高端IT教育品牌，中国“教育行业A股IPO第一股” 1100多位专职教研以及教学团队，已发教程12万余节，年均下载及播放量4000万余次。源码、教材、项目，均会放送。
mysql分布式架构 企业社区
社区管理员
  • 黑马程序员官方
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告

传智教育旗下高端IT教育品牌，中国“教育行业A股IPO第一股” 1100多位专职教研以及教学团队，已发教程12万余节，年均下载及播放量4000万余次。源码、教材、项目，均会放送。

试试用AI创作助手写篇文章吧

+ 用AI写文章