SQL窗口函数从入门到实战：排名、累计与性能优化指南

1. 为什么说窗口函数能让明细和汇总同时留在结果里

1.1 一段最常见的SQL经历：想到排名第一反应是group by和子查询

我最早开始做数据相关工作时，写SQL几乎全靠 GROUP BY + 子查询硬扛。当时接到的需求很常见：把每个部门里工资最高的员工捞出来。第一版写法大概是先 GROUP BY department_id 算出每个部门 max(salary)，再把这个结果和员工表做 JOIN，最后才能把对应的员工姓名带出来。

这种写法能跑通，但代码会膨胀得很厉害。如果你把需求改成“每个部门工资前三名”，就得在 JOIN 里带上排名逻辑，或者用相关子查询逐行判断“比我工资高的人有多少个”。相关子查询写法如下：

sql复制SELECT e1.employee_id, e1.employee_name, e1.department_id, e1.salary
FROM employee e1
WHERE (
    SELECT COUNT(*)
    FROM employee e2
    WHERE e2.department_id = e1.department_id
      AND e2.salary > e1.salary
) < 3;

这种写法的缺点是相当明显的：它要对 employee 表的每一行执行一次子查询，数据量稍微上来一点，执行计划就比较难看。而且业务含义藏得很深，读代码的人需要想半天才明白这是在找部门前三。

后来换用 SQL窗口函数，同样需求只需要在 SELECT 里加一列：

sql复制SELECT employee_id, employee_name, department_id, salary,
       ROW_NUMBER() OVER (PARTITION BY department_id ORDER BY salary DESC) AS rn
FROM employee;

再把结果包一层 WHERE rn <= 3，完事。语句从“子查询嵌套子查询”变成了一条主查询加一个过滤条件。这个体验上的差距，做过报表的人应该都能理解。

1.2 窗口函数与GROUP BY的本质区别：不折叠明细

很多人刚接触窗口函数时的困惑点在于：它和 GROUP BY 有什么区别？为什么 SELECT 里既可以出现原始行字段，又可以出现聚合结果？

GROUP BY 的逻辑是“分组后折叠”，每个分组只会保留一行，明细数据直接消失。比如你按部门求总工资，GROUP BY department_id 之后，部门下面的员工明细就看不到了。如果你想在明细旁边看到每个部门的汇总值，以前的常规做法是用一个子查询先聚合再 JOIN 回来。

窗口函数不一样。它做的是“分组后计算，但是不折叠明细”。每一行原始数据都还在，只是在行旁边多出了聚合结果。比如：

sql复制SELECT employee_id, employee_name, department_id, salary,
       SUM(salary) OVER (PARTITION BY department_id) AS dept_total_salary
FROM employee;

这条 SQL 返回的行数和 employee 表原行数完全一致。每个员工行旁边都带上了自己部门的工资总额。你可以直接拿 salary / dept_total_salary 算员工工资占部门总工资的比例，整个操作只需要一个语句，不需要 JOIN 自己，也不需要用临时表中间过渡。

我经常用一句话给新手讲这个区别：GROUP BY 是把很多行压缩成一行，窗口函数是让每行都看见自己所在的组整体长什么样。这个“看见整体”的能力，才是后面各种排名、累计、移动平均、同比环比能够简化写法的根本原因。

1.3 OVER语法中最值得先记住的三大要素

窗口函数的骨架是 OVER()，里面可以放三个东西：PARTITION BY、ORDER BY、滑窗范围。理解它们的分工，比死记函数名重要。

PARTITION BY 负责把数据切分成若干分区，作用上可以理解为“分组”，但是不合并行。不写 PARTITION BY，就是整张表作为一个分区处理。

ORDER BY 决定窗口内数据的排序。注意它和普通 ORDER BY 有一个很大的差异：窗口里的 ORDER BY 不只是控制输出顺序，还会影响窗口的计算范围。

滑窗范围是很多人忽略的部分。当你在窗口函数里写了 ORDER BY，但没有指定窗口边界时，数据库默认的行为是 RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW，也就是从分区起点到当前行。这种默认边界在聚合类窗口函数里特别容易引起误解，后面我会专门展开讲。

排在最前面的典型窗口函数大概分三类：排名函数（ROW_NUMBER、RANK、DENSE_RANK、NTILE）、聚合函数加 OVER（SUM、AVG、COUNT、MIN、MAX 的窗口用法）、偏移函数（LAG、LEAD）。下面几章我拆开讲，每一类都配上实际业务场景。

2. 排名类窗口函数实战：ROW_NUMBER、RANK、DENSE_RANK、NTILE应该怎么选

2.1 四类排名函数的实际差异，比想象中更重要

先看结果差异。假设有一张成绩表，里面的分数为 98、95、95、90、88，如果用不同的排名函数，结果分别如下：

三者的核心区别在于处理“并列值”的