AI 助理
备案控制台
开发者社区 大数据 文章 正文

数据分析之SQL窗口函数

2022-10-26 1190
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： 会使用SQL语言的小伙伴在开发或者分析过程都少不了使用函数，企业面试中，更是钟情于分析函数的问题，笔试、面试都基本跑不了。

1.概述

SQL中的窗口函数(Hive/Maxcomputer)在我的见解下主要分为5类：聚合函数、排名函数、数学函数、分布函数、偏移函数

2.函数介绍

消费表tb
user date amt
u01 2022-07-14 100
u01 2022-10-03 320
u01 2022-01-23 150
u01 2022-02-06 200
u01 2022-02-06 230
u01

2022-08-21

200
u01

2022-09-14

180
u01

2022-07-02

350
u01

2022-10-26

430
u01

2022-05-23

290
u02 2022-02-01 150
u02 2022-06-04 100
u02 2022-01-23 300
u02 2022-03-21 500
u02

2022-04-25

200
u02

2022-04-25

500
u02

2022-06-10

160
u02

2022-08-20

320
u02

2022-09-25

400
u02

2022-10-24

560

创建临时表tb

with tb as(select*fromvalues('u01','2022-07-14','100'),('u01','2022-10-03','320'),('u01','2022-01-23','150'),('u01','2022-02-06','200'),('u01','2022-02-06','230'),('u01','2022-08-21','200'),('u01','2022-09-14','180'),('u01','2022-07-02','350'),('u01','2022-10-26','430'),('u01','2022-05-23','290'),('u02','2022-02-01','150'),('u02','2022-06-04','100'),('u02','2022-01-23','300'),('u02','2022-03-21','500'),('u02','2022-04-25','200'),('u02','2022-04-25','500'),('u02','2022-06-10','160'),('u02','2022-08-20','320'),('u02','2022-09-25','400'),('u02','2022-10-24','560')             t(user,date,amt))

2.1聚合函数

常用的聚合窗口函数如：sum、count、max、min，avg

sum:组内表达式累积值或聚合值，区别在于是否使用了排序order by

--无组内排序order by,则组内sum值一样select  user,date,  amt,  sum(amt) over(partition by user) amts
from tb;user  date      amt amts
u01 2022-10-033202450.0u01 2022-01-231502450.0u01 2022-02-062002450.0u01 2022-02-062302450.0u01 2022-08-212002450.0u01 2022-09-141802450.0u01 2022-07-023502450.0u01 2022-10-264302450.0u01 2022-05-232902450.0u01 2022-07-141002450.0u02 2022-10-245603190.0u02 2022-02-011503190.0u02 2022-06-041003190.0u02 2022-01-233003190.0u02 2022-03-215003190.0u02 2022-04-252003190.0u02 2022-04-255003190.0u02 2022-06-101603190.0u02 2022-08-203203190.0u02 2022-09-254003190.0--有组内排序order by,则组内sum值为按排序累加值select  user,date,  amt,  sum(amt) over(partition by user orderbydate) amts
from tb;user  date      amt amts
u01 2022-01-23150150.0u01 2022-02-06200350.0u01 2022-02-06230580.0u01 2022-05-23290870.0u01 2022-07-023501220.0u01 2022-07-141001320.0u01 2022-08-212001520.0u01 2022-09-141801700.0u01 2022-10-033202020.0u01 2022-10-264302450.0u02 2022-01-23300300.0u02 2022-02-01150450.0u02 2022-03-21500950.0u02 2022-04-255001450.0u02 2022-04-252001650.0u02 2022-06-041001750.0u02 2022-06-101601910.0u02 2022-08-203202230.0u02 2022-09-254002630.0u02 2022-10-245603190.0

count：组内表达式累积计数或聚合计数，区别在于是否使用了排序order by，案例如上所示，这里暂不展示order by

select  user,date,  amt,count(*) over(partition by user) cnt
from tb;user  date      amt cnt
u01 2022-10-0332010u01 2022-01-2315010u01 2022-02-0620010u01 2022-02-0623010u01 2022-08-2120010u01 2022-09-1418010u01 2022-07-0235010u01 2022-10-2643010u01 2022-05-2329010u01 2022-07-1410010u02 2022-10-2456010u02 2022-02-0115010u02 2022-06-0410010u02 2022-01-2330010u02 2022-03-2150010u02 2022-04-2520010u02 2022-04-2550010u02 2022-06-1016010u02 2022-08-2032010u02 2022-09-2540010

max：组内表达式最大值

select  user,date,  amt,  max(amt) over(partition by user) max_amt
from tb;user  date      amt max_amt
u01 2022-10-03320430u01 2022-01-23150430u01 2022-02-06200430u01 2022-02-06230430u01 2022-08-21200430u01 2022-09-14180430u01 2022-07-02350430u01 2022-10-26430430u01 2022-05-23290430u01 2022-07-14100430u02 2022-10-24560560u02 2022-02-01150560u02 2022-06-04100560u02 2022-01-23300560u02 2022-03-21500560u02 2022-04-25200560u02 2022-04-25500560u02 2022-06-10160560u02 2022-08-20320560u02 2022-09-25400560

min：组内表达式最小值

select  user,date,  amt,  min(amt) over(partition by user) min_amt
from tb;user  date      amt min_amt
u01 2022-10-03320100u01 2022-01-23150100u01 2022-02-06200100u01 2022-02-06230100u01 2022-08-21200100u01 2022-09-14180100u01 2022-07-02350100u01 2022-10-26430100u01 2022-05-23290100u01 2022-07-14100100u02 2022-10-24560100u02 2022-02-01150100u02 2022-06-04100100u02 2022-01-23300100u02 2022-03-21500100u02 2022-04-25200100u02 2022-04-25500100u02 2022-06-10160100u02 2022-08-20320100u02 2022-09-25400100

avg：组内表达式平均值

select  user,date,  amt,  avg(amt) over(partition by user) avg_amt
from tb;user  date      amt avg_amt
u01 2022-10-03320245.0u01 2022-01-23150245.0u01 2022-02-06200245.0u01 2022-02-06230245.0u01 2022-08-21200245.0u01 2022-09-14180245.0u01 2022-07-02350245.0u01 2022-10-26430245.0u01 2022-05-23290245.0u01 2022-07-14100245.0u02 2022-10-24560319.0u02 2022-02-01150319.0u02 2022-06-04100319.0u02 2022-01-23300319.0u02 2022-03-21500319.0u02 2022-04-25200319.0u02 2022-04-25500319.0u02 2022-06-10160319.0u02 2022-08-20320319.0u02 2022-09-25400319.0

2.2排名函数

row_number：计算当前行在分区中的行号，从1开始递增

select  user,date,  amt,  row_number() over(partition by user orderbydate) rn
from tb;user  date      amt rn
u01 2022-01-231501u01 2022-02-062002u01 2022-02-062303u01 2022-05-232904u01 2022-07-023505u01 2022-07-141006u01 2022-08-212007u01 2022-09-141808u01 2022-10-033209u01 2022-10-2643010u02 2022-01-233001u02 2022-02-011502u02 2022-03-215003u02 2022-04-255004u02 2022-04-252005u02 2022-06-041006u02 2022-06-101607u02 2022-08-203208u02 2022-09-254009u02 2022-10-2456010

rank：计算排名，排名不连续(1,2,2,4)

select  user,date,  amt,  rank() over(partition by user orderbydate) rk
from tb;user  date      amt rk
u01 2022-01-231501u01 2022-02-062002u01 2022-02-062302u01 2022-05-232904u01 2022-07-023505u01 2022-07-141006u01 2022-08-212007u01 2022-09-141808u01 2022-10-033209u01 2022-10-2643010u02 2022-01-233001u02 2022-02-011502u02 2022-03-215003u02 2022-04-252004u02 2022-04-255004u02 2022-06-041006u02 2022-06-101607u02 2022-08-203208u02 2022-09-254009u02 2022-10-2456010

dense_rank：计算排名，排名连续(1,2,2,3)

select  user,date,  amt,  dense_rank() over(partition by user orderbydate) dk
from tb;user  date      amt dk
u01 2022-01-231501u01 2022-02-062002u01 2022-02-062302u01 2022-05-232903u01 2022-07-023504u01 2022-07-141005u01 2022-08-212006u01 2022-09-141807u01 2022-10-033208u01 2022-10-264309u02 2022-01-233001u02 2022-02-011502u02 2022-03-215003u02 2022-04-252004u02 2022-04-255004u02 2022-06-041005u02 2022-06-101606u02 2022-08-203207u02 2022-09-254008u02 2022-10-245609

2.3数学函数

stddev：计算总体标准差，STDDEV_POP函数的别名

select  user,date,  amt,  stddev(amt) over(partition by user) std
from tb;user  date      amt std
u01 2022-10-0332095.62949335848225u01 2022-01-2315095.62949335848225u01 2022-02-0620095.62949335848225u01 2022-02-0623095.62949335848225u01 2022-08-2120095.62949335848225u01 2022-09-1418095.62949335848225u01 2022-07-0235095.62949335848225u01 2022-10-2643095.62949335848225u01 2022-05-2329095.62949335848225u01 2022-07-1410095.62949335848225u02 2022-10-24560157.0u02 2022-02-01150157.0u02 2022-06-04100157.0u02 2022-01-23300157.0u02 2022-03-21500157.0u02 2022-04-25200157.0u02 2022-04-25500157.0u02 2022-06-10160157.0u02 2022-08-20320157.0u02 2022-09-25400157.0

stddev_samp：计算样本标准差。

select  user,date,  amt,  stddev_samp(amt) over(partition by user) std
from tb;user  date      amt std
u01 2022-10-03320100.80233683358294u01 2022-01-23150100.80233683358294u01 2022-02-06200100.80233683358294u01 2022-02-06230100.80233683358294u01 2022-08-21200100.80233683358294u01 2022-09-14180100.80233683358294u01 2022-07-02350100.80233683358294u01 2022-10-26430100.80233683358294u01 2022-05-23290100.80233683358294u01 2022-07-14100100.80233683358294u02 2022-10-24560165.4925308821452u02 2022-02-01150165.4925308821452u02 2022-06-04100165.4925308821452u02 2022-01-23300165.4925308821452u02 2022-03-21500165.4925308821452u02 2022-04-25200165.4925308821452u02 2022-04-25500165.4925308821452u02 2022-06-10160165.4925308821452u02 2022-08-20320165.4925308821452u02 2022-09-25400165.4925308821452

cluster_sample

用户随机抽样。返回True表示该行数据被抽中。

  • 命令说明
  • cluster_sample(bigint )：表示随机抽取N条数据。
  • cluster_sample(bigint , bigint )：表示按比例（M/N）随机抽取。即抽取partition_row_count×M / N条数据。partition_row_count指分区中的数据行数。
  • 参数说明
  • N：必填。BIGINT类型常量。N为NULL时，返回值为NULL。
  • M：必填。BIGINT类型常量。M为NULL时，返回值为NULL。
  • partition_clause：可选。
select  user,date,  amt,  cluster_sample(3) over(partition by user) cs
from tb;--cs为true的为抽中的数据user  date      amt cs
u01 2022-10-03320trueu01 2022-01-23150falseu01 2022-02-06200falseu01 2022-02-06230falseu01 2022-08-21200falseu01 2022-09-14180trueu01 2022-07-02350falseu01 2022-10-26430falseu01 2022-05-23290falseu01 2022-07-14100trueu02 2022-10-24560falseu02 2022-02-01150trueu02 2022-06-04100falseu02 2022-01-23300falseu02 2022-03-21500falseu02 2022-04-25200trueu02 2022-04-25500trueu02 2022-06-10160falseu02 2022-08-20320falseu02 2022-09-25400false

2.4分布函数

cume_dist：求累计分布，相当于求分区中大于等于当前行的数据在分区中的占比。大小关系由order by判定。

select  user,date,  amt,  concat(round(cume_dist() over (partition by user orderby amt desc)*100,2),'%')as cume_dist
from tb;user  date      amt cume_dist
u01 2022-10-2643010.0%u01 2022-07-0235020.0%u01 2022-10-0332030.0%u01 2022-05-2329040.0%u01 2022-02-0623050.0%u01 2022-02-0620070.0%u01 2022-08-2120070.0%u01 2022-09-1418080.0%u01 2022-01-2315090.0%u01 2022-07-14100100.0%u02 2022-10-2456010.0%u02 2022-03-2150030.0%u02 2022-04-2550030.0%u02 2022-09-2540040.0%u02 2022-08-2032050.0%u02 2022-01-2330060.0%u02 2022-04-2520070.0%u02 2022-06-1016080.0%u02 2022-02-0115090.0%u02 2022-06-04100100.0%

ntile：用于将分区中的数据按照顺序切分成N等份，并返回数据所在等份的编号。如果分区中的数据不能被均匀地切分成N等份时，最前面的等份（编号较小的）会优先多分配1条数据。

select  user,date,  amt,  ntile(4) over(partition by user orderby amt) nt 
from tb;user  date      amt nt
u01 2022-07-141001u01 2022-01-231501u01 2022-09-141801u01 2022-02-062002u01 2022-08-212002u01 2022-02-062302u01 2022-05-232903u01 2022-10-033203u01 2022-07-023504u01 2022-10-264304u02 2022-06-041001u02 2022-02-011501u02 2022-06-101601u02 2022-04-252002u02 2022-01-233002u02 2022-08-203202u02 2022-09-254003u02 2022-03-215003u02 2022-04-255004u02 2022-10-245604

percent_rank：计算当前行在分区中按照order by排序后的百分比排名。

select  user,date,  amt,  percent_rank() over(partition by user orderby amt desc) pr
from tb;user  date      amt pr
u01 2022-10-264300.0u01 2022-07-023500.1111111111111111u01 2022-10-033200.2222222222222222u01 2022-05-232900.3333333333333333u01 2022-02-062300.4444444444444444u01 2022-02-062000.5555555555555556u01 2022-08-212000.5555555555555556u01 2022-09-141800.7777777777777778u01 2022-01-231500.8888888888888888u01 2022-07-141001.0u02 2022-10-245600.0u02 2022-03-215000.1111111111111111u02 2022-04-255000.1111111111111111u02 2022-09-254000.3333333333333333u02 2022-08-203200.4444444444444444u02 2022-01-233000.5555555555555556u02 2022-04-252000.6666666666666666u02 2022-06-101600.7777777777777778u02 2022-02-011500.8888888888888888u02 2022-06-041001.0

median：计算窗口中的中位数。

select  user,date,  amt,  median(amt) over(partition by user) md
from tb;user  date      amt md
u01 2022-10-03320215.0u01 2022-01-23150215.0u01 2022-02-06200215.0u01 2022-02-06230215.0u01 2022-08-21200215.0u01 2022-09-14180215.0u01 2022-07-02350215.0u01 2022-10-26430215.0u01 2022-05-23290215.0u01 2022-07-14100215.0u02 2022-10-24560310.0u02 2022-02-01150310.0u02 2022-06-04100310.0u02 2022-01-23300310.0u02 2022-03-21500310.0u02 2022-04-25200310.0u02 2022-04-25500310.0u02 2022-06-10160310.0u02 2022-08-20320310.0u02 2022-09-25400310.0

2.5偏移函数

lag：返回往前第N行的数据

select  user,date,  amt,  lag(amt,1,amt) over(partition by user orderbydate) lag_amt
from tb;user  date      amt lag_amt
u01 2022-01-23150150u01 2022-02-06200150u01 2022-02-06230200u01 2022-05-23290230u01 2022-07-02350290u01 2022-07-14100350u01 2022-08-21200100u01 2022-09-14180200u01 2022-10-03320180u01 2022-10-26430320u02 2022-01-23300300u02 2022-02-01150300u02 2022-03-21500150u02 2022-04-25200500u02 2022-04-25500200u02 2022-06-04100500u02 2022-06-10160100u02 2022-08-20320160u02 2022-09-25400320u02 2022-10-24560400

lead：返回往前第N行的数据

select  user,date,  amt,  lead(amt,1,amt) over(partition by user orderbydate) lead_amt
from tb;user  date      amt lead_amt
u01 2022-01-23150200u01 2022-02-06200230u01 2022-02-06230290u01 2022-05-23290350u01 2022-07-02350100u01 2022-07-14100200u01 2022-08-21200180u01 2022-09-14180320u01 2022-10-03320430u01 2022-10-26430430u02 2022-01-23300150u02 2022-02-01150500u02 2022-03-21500200u02 2022-04-25200500u02 2022-04-25500100u02 2022-06-04100160u02 2022-06-10160320u02 2022-08-20320400u02 2022-09-25400560u02 2022-10-24560560

first_value：返回表达式在窗口的第一条数据上进行运算的结果。

select  user,date,  amt,  first_value(amt) over(partition by user orderbydate) fir
from tb;user  date      amt fir
u01 2022-01-23150150u01 2022-02-06200150u01 2022-02-06230150u01 2022-05-23290150u01 2022-07-02350150u01 2022-07-14100150u01 2022-08-21200150u01 2022-09-14180150u01 2022-10-03320150u01 2022-10-26430150u02 2022-01-23300300u02 2022-02-01150300u02 2022-03-21500300u02 2022-04-25200300u02 2022-04-25500300u02 2022-06-04100300u02 2022-06-10160300u02 2022-08-20320300u02 2022-09-25400300u02 2022-10-24560300

last_value：返回表达式在窗口的最后一条数据上进行运算的结果。

select  user,date,  amt,  last_value(amt) over(partition by user orderbydate) las
from tb;user  date      amt fir
u01 2022-01-23150150u01 2022-02-06200230u01 2022-02-06230230u01 2022-05-23290290u01 2022-07-02350350u01 2022-07-14100100u01 2022-08-21200200u01 2022-09-14180180u01 2022-10-03320320u01 2022-10-26430430u02 2022-01-23300300u02 2022-02-01150150u02 2022-03-21500500u02 2022-04-25200500u02 2022-04-25500500u02 2022-06-04100100u02 2022-06-10160160u02 2022-08-20320320u02 2022-09-25400400u02 2022-10-24560560

查看结果发现好像并不是组内最后一条数据，因为窗口指定了order by，最后一行数据是截止到当前行的最后一条数据，怎么才能拿到最后一条呢，我们可以加窗口子句：rows between unbounded preceding and unbounded following

select  user,date,  amt,  last_value(amt) over(partition by user orderbydate rows between unbounded preceding and unbounded following) las
from tb;user  date      amt las
u01 2022-01-23150430u01 2022-02-06200430u01 2022-02-06230430u01 2022-05-23290430u01 2022-07-02350430u01 2022-07-14100430u01 2022-08-21200430u01 2022-09-14180430u01 2022-10-03320430u01 2022-10-26430430u02 2022-01-23300560u02 2022-02-01150560u02 2022-03-21500560u02 2022-04-25200560u02 2022-04-25500560u02 2022-06-04100560u02 2022-06-10160560u02 2022-08-20320560u02 2022-09-25400560u02 2022-10-24560560

nth_value：返回表达式在窗口的第N条数据进行运算的结果。

select  user,date,  amt,  nth_value(amt,6) over(partition by user) nv
from tb;user  date      amt nv
u01 2022-10-03320180u01 2022-01-23150180u01 2022-02-06200180u01 2022-02-06230180u01 2022-08-21200180u01 2022-09-14180180u01 2022-07-02350180u01 2022-10-26430180u01 2022-05-23290180u01 2022-07-14100180u02 2022-10-24560200u02 2022-02-01150200u02 2022-06-04100200u02 2022-01-23300200u02 2022-03-21500200u02 2022-04-25200200u02 2022-04-25500200u02 2022-06-10160200u02 2022-08-20320200u02 2022-09-25400200

3.总结

分析函数还有很多，常用的基本就这些函数，灵活使用窗口分析函数，能有效提升我们开发效率。小伙伴们快用起来吧。

拜了个拜

文章标签：
数据挖掘
SQL
HIVE
关键词：
数据分析sql
SQL窗口函数
SQL数据分析
兮辰
目录
相关文章
技术君
|
6月前
|
SQL 存储 数据挖掘
大模型与数据分析：探索Text-to-SQL（下）
大模型与数据分析：探索Text-to-SQL（下）
技术君
753 3
技术君
|
6月前
|
SQL 自然语言处理 数据挖掘
大模型与数据分析：探索Text-to-SQL（上）
大模型与数据分析：探索Text-to-SQL（上）
技术君
3236 0
技术君
|
6月前
|
SQL 自然语言处理 数据挖掘
大模型与数据分析：探索Text-to-SQL（中）
大模型与数据分析：探索Text-to-SQL（中）
技术君
1142 0
游客nsyhaoxcmeiq6
|
10天前
|
SQL 数据挖掘 Python
数据分析编程：SQL,Python or SPL?
数据分析编程用什么，SQL、python or SPL?话不多说，直接上代码，对比明显，明眼人一看就明了：本案例涵盖五个数据分析任务：1) 计算用户会话次数；2) 球员连续得分分析；3) 连续三天活跃用户数统计；4) 新用户次日留存率计算；5) 股价涨跌幅分析。每个任务基于相应数据表进行处理和计算。
游客nsyhaoxcmeiq6
28 0
何雨晨
|
1月前
|
SQL 数据库
SQL：如何使用窗口函数实现高效分页查询？？
SQL：如何使用窗口函数实现高效分页查询？？
何雨晨
26 0
咕噜咕噜wy
|
6月前
|
SQL 关系型数据库 MySQL
MYSQL根据查询结果删除sql 去除重复id 新增对比前一条与后一条数据 去重3种方法​ 窗口函数
MYSQL根据查询结果删除sql 去除重复id 新增对比前一条与后一条数据 去重3种方法​ 窗口函数
咕噜咕噜wy
125 0
Python大数据分析
|
3月前
|
SQL 数据挖掘
7张图总结：SQL 数据分析常用语句！
7张图总结：SQL 数据分析常用语句！
Python大数据分析
86 8
土木林森
|
3月前
|
前端开发 Java JSON
Struts 2携手AngularJS与React：探索企业级后端与现代前端框架的完美融合之道
【8月更文挑战第31天】随着Web应用复杂性的提升，前端技术日新月异。AngularJS和React作为主流前端框架，凭借强大的数据绑定和组件化能力，显著提升了开发动态及交互式Web应用的效率。同时，Struts 2 以其出色的性能和丰富的功能，成为众多Java开发者构建企业级应用的首选后端框架。本文探讨了如何将 Struts 2 与 AngularJS 和 React 整合，以充分发挥前后端各自优势，构建更强大、灵活的 Web 应用。
土木林森
58 0
wljslmz
|
3月前
|
SQL 数据挖掘 关系型数据库
SQL中的聚合函数：数据分析的强大工具
【8月更文挑战第31天】
wljslmz
99 0
土木林森
|
3月前
|
SQL 数据采集 算法
【电商数据分析利器】SQL实战项目大揭秘：手把手教你构建用户行为分析系统，从数据建模到精准营销的全方位指南！
【8月更文挑战第31天】随着电商行业的快速发展，用户行为分析的重要性日益凸显。本实战项目将指导你使用 SQL 构建电商平台用户行为分析系统，涵盖数据建模、采集、处理与分析等环节。文章详细介绍了数据库设计、测试数据插入及多种行为分析方法，如购买频次统计、商品销售排名、用户活跃时间段分析和留存率计算，帮助电商企业深入了解用户行为并优化业务策略。通过这些步骤，你将掌握利用 SQL 进行大数据分析的关键技术。
土木林森
181 0

热门文章

最新文章

  • 1
    四大触点，教你从“用户视角”构建数据分析体系
  • 2
    AI数据分析创企ActionIQ获1300万美元A轮融资，红杉领投
  • 3
    运营也用的起来的数据分析工具：Quick BI即席分析详解
  • 4
    小白学数据分析----->解析在线平高比
  • 5
    非数据科学家如何进行数据分析?
  • 6
    如何通过数据分析来衡量游戏中的用户体验
  • 7
    小白学数据分析----->怎么看待数据处理
  • 8
    小白学数据分析----->付费渗透率再研究
  • 9
    “打破孤岛”用多维交叉工具做有理有据的数据分析
  • 10
    从博客专栏想到的数据分析
  • 1
    实时计算 Flink版产品使用合集之将数据写入Elasticsearch时，若Elasticsearch中的字段类型为date，对应的SQL类型应该是什么
    66
  • 2
    实时计算 Flink版产品使用合集之flink-connector-mysql-cdc 和 flink-sql-connector-mysql-cdc有什么区别
    364
  • 3
    实时计算 Flink版产品使用合集之如果产品是基于ak的，可以提交sql任务到ecs自建hadoop集群吗
    61
  • 4
    实时计算 Flink版产品使用合集之使用Flink CDC SQL MongoDB Connector时，可以采取什么措施来提升数据消费速率
    100
  • 5
    实时计算 Flink版产品使用合集之当 SQL Server 源数据库中的数据更新后，CDC 吐出的操作（op）是怎样的
    64
  • 6
    MYSQL根据查询结果删除sql 去除重复id 新增对比前一条与后一条数据 去重3种方法​ 窗口函数
    126
  • 7
    实时计算 Flink版产品使用合集之如何选用 Flink SQL 的方式进行开发
    66
  • 8
    Mybatis多表关联查询与动态SQL（下）
    131
  • 9
    spark执行sql的原理是什么
    124
  • 10
    Mybatis多表关联查询与动态SQL（上）
    193

    • 相关课程

    更多
  • 深入理解数据分析
  • SQL完全自学手册
  • SQL Server on Linux入门教程
  • SQL入门与实践
  • 数据库及SQL/MySQL基础
  • SQL进阶及查询

    • 相关电子书

    更多
  • SQL Server在电子商务中的应用与实践
  • GeoMesa on Spark SQL
  • 原生SQL on Hadoop引擎- Apache HAWQ 2.x最新技术解密malili

    • 相关实验场景

    更多
  • PolarDB NL2SQL：自然语言驱动的数据智能
  • 倚天大数据电商数据分析快速实践
  • PolarDB for AI：在数据库中通过SQL实现AI能力
  • 玩转MaxCompute SQL! 30分钟搞定数据分析挖掘
  • AnalyticDB MySQL游戏行业数据分析实践
  • Github实时数据分析与可视化
    • 下一篇
    阿里云OSS设置跨域访问