1. 窗口函数基础概念解析
窗口函数（Window Function）是SQL中一种强大的分析工具，它能够在保留原始行数据的同时，对一组相关的行进行计算。与普通的聚合函数不同，窗口函数不会将多行合并为一行，而是为每一行返回一个计算结果。
窗口函数的核心组成部分包括三个关键元素：
- PARTITION BY：定义窗口的分组依据
- ORDER BY：定义窗口内的排序规则
- 窗口框架（Window Frame）：定义当前行相关的计算范围
其中，窗口框架的语法正是我们重点要讨论的ROWS BETWEEN和RANGE BETWEEN子句。这两个子句决定了窗口函数计算时参考的数据范围，是窗口函数中最容易混淆但又最为关键的部分。
2. ROWS BETWEEN与RANGE BETWEEN详解
2.1 基本语法结构
窗口框架的标准语法格式如下：
sql复制(ROWS | RANGE) BETWEEN
(UNBOUNDED | [num]) PRECEDING
AND
([num] PRECEDING | CURRENT ROW | (UNBOUNDED | [num]) FOLLOWING)
或者简化的版本：
sql复制(ROWS | RANGE) BETWEEN
CURRENT ROW
AND
(CURRENT ROW | (UNBOUNDED | [num]) FOLLOWING)
2.2 关键术语解释
理解窗口函数前，必须先掌握几个核心术语：
- UNBOUNDED：表示无边界限制
- PRECEDING：根据排序后的结果集，从当前数据行往前
- FOLLOWING：根据排序后的结果集，从当前数据行往后
- UNBOUNDED PRECEDING：从当前行往前直到初始行
- n PRECEDING：往前n行（具体含义取决于ROWS或RANGE）
- UNBOUNDED FOLLOWING：从当前行往后直到末尾行
- n FOLLOWING：往后n行（具体含义取决于ROWS或RANGE）
- CURRENT ROW：仅包含当前行
2.3 ROWS与RANGE的本质区别
ROWS和RANGE虽然语法相似，但计算逻辑有本质不同：
ROWS BETWEEN：基于物理行数
- 直接计算当前行前后指定数量的行
- 例如：
ROWS BETWEEN 3 PRECEDING AND 4 FOLLOWING表示当前行往前3行和往后4行，总计8行（如果边界允许） - 行数固定，不考虑实际数值
RANGE BETWEEN：基于逻辑范围
- 根据当前行的值加减指定数值确定范围
- 例如：
RANGE BETWEEN 3 PRECEDING AND 4 FOLLOWING，如果当前值为5，则范围为[2,9]之间的所有行 - 行数不固定，取决于实际数据分布
提示：ROWS适用于需要固定行数计算的场景，RANGE适用于基于数值范围计算的场景
3. 实际应用场景解析
3.1 默认窗口框架行为
当不显式指定窗口框架时，窗口函数有以下默认行为：
sql复制sum(score) over()
等价于：
sql复制sum(score) over(order by datetimes RANGE BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING)
这意味着计算所有行的总和，不考虑任何范围限制。
3.2 互联网行业活跃用户分析
场景：识别在同一个月中存在15天登录行为的活跃用户
sql复制count(distinct datetimes) over (order by datetimes RANGE BETWEEN 7 PRECEDING AND 7 FOLLOWING)
关键点：
datetimes字段需要转换为yyyyMMdd格式的数值类型- 计算当前日期前后7天内的登录天数
- 例如当前日期为20240415，则计算范围为[20240408,20240422]
- 如果该范围内有15个不同的日期，则标记为活跃用户
注意事项：
- 日期必须转换为数值才能进行加减运算
- 范围边界值必须为正整数
- 使用
distinct确保同一天多次登录只计一次
3.3 体育比赛计分场景
场景：篮球比赛实时比分累计
sql复制sum(score) over (order by datetimes ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW)
解析：
- 按时间顺序排序比赛事件
- 从第一行到当前行累计得分
- 每行显示到该时间点的总得分
变体应用：
sql复制-- 当前日期之前的累计
sum(qty) over(partition by customer_id,no
order by sdate rows between unbounded preceding and 1 preceding
) as start_qty,
-- 当前日期之后的累计
sum(qty) over(partition by customer_id,no
order by sdate rows between current row and unbounded following
) as end_qty
4. 高级用法与性能优化
4.1 滑动窗口计算
滑动窗口是时间序列分析的常见需求，例如计算7天移动平均：
sql复制avg(value) over (order by date
ROWS BETWEEN 6 PRECEDING AND CURRENT ROW)
4.2 分区窗口计算
结合PARTITION BY实现分组内的窗口计算：
sql复制sum(sales) over (partition by region
order by month
RANGE BETWEEN 1 PRECEDING AND 1 FOLLOWING)
4.3 性能优化技巧
- 索引优化：为ORDER BY和PARTITION BY的列建立索引
- 范围选择：尽量使用ROWS而非RANGE，前者性能更好
- 窗口大小：避免过大的窗口范围，特别是UNBOUNDED
- 数据预处理：对RANGE计算，提前转换数据类型
5. 常见问题与解决方案
5.1 边界条件处理
问题：窗口边界超出数据范围时的行为？
- ROWS：自动调整到实际存在的行
- RANGE：包含所有符合数值条件的行
5.2 数据类型不匹配
问题：RANGE计算时数据类型不兼容？
- 解决方案：使用CAST或CONVERT函数统一类型
- 例如：
CAST(date_column AS INT)
5.3 性能瓶颈
问题：窗口函数执行缓慢？
- 检查是否使用了不必要的UNBOUNDED
- 考虑使用临时表预先过滤数据
- 分析执行计划，优化排序操作
5.4 结果不符合预期
排查步骤：
- 确认ORDER BY是否正确
- 检查窗口框架定义是否符合需求
- 验证PARTITION BY分组是否合理
- 检查数据类型是否支持范围运算
6. 实战经验分享
在实际项目中，窗口函数的应用远不止于简单的累计求和。以下是我在多个项目中总结的实用技巧：
- 会话分割：结合LAG和窗口函数识别用户会话
sql复制case when datediff(minute, lag(event_time) over (partition by user_id order by event_time), event_time) > 30
then 1 else 0 end as new_session
- 排名与分位数：
sql复制-- 计算百分位
percent_rank() over (order by score) as percentile
-- 分组排名
rank() over (partition by department order by sales desc) as dept_rank
- 时间间隔计算：
sql复制-- 计算上次购买间隔
datediff(day, lag(purchase_date) over (partition by customer_id order by purchase_date), purchase_date) as days_since_last_purchase
- 趋势分析：
sql复制-- 计算3期移动平均与标准差
avg(value) over (order by month rows between 2 preceding and current row) as ma3,
stdev(value) over (order by month rows between 2 preceding and current row) as std3
窗口函数是SQL分析的高级功能，掌握ROWS BETWEEN和RANGE BETWEEN的区别与应用场景，可以大幅提升数据分析的效率和灵活性。在实际使用时，建议先明确计算逻辑需求，再选择合适的窗口框架类型，并通过EXPLAIN分析执行计划确保性能优化。