本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 流的窗口式聚合
<a name="sql-reference-windowed-aggregation-stream"></a>

为了说明窗口式聚合在 Amazon Kinesis Data Streams 中的工作原理，假定下表中的数据将流经一个名为 WEATHERSTREAM 的流。


| ROWTIME | CITY | TEMP | 
| --- | --- | --- | 
|  2018-11-01 01:00:00.0  |  丹佛  |  29  | 
|  2018-11-01 01:00:00.0  |  安克雷奇  |  2  | 
|  2018-11-01 06:00:00.0  |  迈阿密  |  65  | 
|  2018-11-01 07:00:00.0  |  丹佛  |  32  | 
|  2018-11-01 09:00:00.0  |  安克雷奇  |  9  | 
|  2018-11-01 13:00:00.0  |  丹佛  |  50  | 
|  2018-11-01 17:00:00.0  |  安克雷奇  |  10  | 
|  2018-11-01 18:00:00.0  |  迈阿密  |  71  | 
|  2018-11-01 19:00:00.0  |  丹佛  |  43  | 
|  2018-11-02 01:00:00.0  |  安克雷奇  |  4  | 
|  2018-11-02 01:00:00.0  |  丹佛  |  39  | 
|  2018-11-02 07:00:00.0  |  丹佛  |  46  | 
|  2018-11-02 09:00:00.0  |  安克雷奇  |  3  | 
|  2018-11-02 13:00:00.0  |  丹佛  |  56  | 
|  2018-11-02 17:00:00.0  |  安克雷奇  |  2  | 
|  2018-11-02 19:00:00.0  |  丹佛  |  50  | 
|  2018-11-03 01:00:00.0  |  丹佛  |  36  | 
|  2018-11-03 01:00:00.0  |  安克雷奇  |  1  | 

假设您要查找 24 小时期间内记录的全球（无论是哪个城市）的最低和最高温度（在任意给定读数之前）。为此，您需要定义 `RANGE INTERVAL '1' DAY PRECEDING` 的一个窗口，并在 `MIN` 和 `MAX` 分析函数的 `OVER` 子句中使用它：

```
 SELECT STREAM
        ROWTIME,
        MIN(TEMP) OVER W1 AS WMIN_TEMP,
        MAX(TEMP) OVER W1 AS WMAX_TEMP
 FROM WEATHERSTREAM
 WINDOW W1 AS (
    RANGE INTERVAL '1' DAY PRECEDING
);
```

## 结果
<a name="sqlrf_windowed_aggregation-results"></a>


| ROWTIME | WMIN\$1TEMP | WMAX\$1TEMP | 
| --- | --- | --- | 
|  2018-11-01 01:00:00.0  |  29  |  29  | 
|  2018-11-01 01:00:00.0  |  2  |  29  | 
|  2018-11-01 06:00:00.0  |  2  |  65  | 
|  2018-11-01 07:00:00.0  |  2  |  65  | 
|  2018-11-01 09:00:00.0  |  2  |  65  | 
|  2018-11-01 13:00:00.0  |  2  |  65  | 
|  2018-11-01 17:00:00.0  |  2  |  65  | 
|  2018-11-01 18:00:00.0  |  2  |  71  | 
|  2018-11-01 19:00:00.0  |  2  |  71  | 
|  2018-11-02 01:00:00.0  |  2  |  71  | 
|  2018-11-02 01:00:00.0  |  2  |  71  | 
|  2018-11-02 07:00:00.0  |  4  |  71  | 
|  2018-11-02 09:00:00.0  |  3  |  71  | 
|  2018-11-02 13:00:00.0  |  3  |  71  | 
|  2018-11-02 17:00:00.0  |  2  |  71  | 
|  2018-11-02 19:00:00.0  |  2  |  56  | 
|  2018-11-03 01:00:00.0  |  2  |  56  | 
|  2018-11-03 01:00:00.0  |  1  |  56  | 



现在，假定您要查找在 24 小时期间内记录的在任意给定读数之前的最低、最高和平均温度（按城市划分）。为此，您可以向窗口规范添加针对 `CITY` 的 `PARTITION BY` 子句，并向选择列表添加针对同一个窗口的 `AVG` 分析函数：

```
 SELECT STREAM
        ROWTIME,
        CITY,
        MIN(TEMP) over W1 AS WMIN_TEMP,
        MAX(TEMP) over W1 AS WMAX_TEMP,
        AVG(TEMP) over W1 AS WAVG_TEMP
 FROM AGGTEST.WEATHERSTREAM
 WINDOW W1 AS (
        PARTITION BY CITY
        RANGE INTERVAL '1' DAY PRECEDING
 );
```

### 结果
<a name="sqlrf_windowed_aggregation_results"></a>


| ROWTIME | CITY | WMIN\$1TEMP | WMAX\$1TEMP | WAVG\$1TEMP | 
| --- | --- | --- | --- | --- | 
|  2018-11-01 01:00:00.0  |  丹佛  |  29  |  29  |  29  | 
|  2018-11-01 01:00:00.0  |  安克雷奇  |  2  |  2  |  2  | 
|  2018-11-01 06:00:00.0  |  迈阿密  |  65  |  65  |  65  | 
|  2018-11-01 07:00:00.0  |  丹佛  |  29  |  32  |  30  | 
|  2018-11-01 09:00:00.0  |  安克雷奇  |  2  |  9  |  5  | 
|  2018-11-01 13:00:00.0  |  丹佛  |  29  |  50  |  37  | 
|  2018-11-01 17:00:00.0  |  安克雷奇  |  2  |  10  |  7  | 
|  2018-11-01 18:00:00.0  |  迈阿密  |  65  |  71  |  68  | 
|  2018-11-01 19:00:00.0  |  丹佛  |  29  |  50  |  38  | 
|  2018-11-02 01:00:00.0  |  安克雷奇  |  2  |  10  |  6  | 
|  2018-11-02 01:00:00.0  |  丹佛  |  29  |  50  |  38  | 
|  2018-11-02 07:00:00.0  |  丹佛  |  32  |  50  |  42  | 
|  2018-11-02 09:00:00.0  |  安克雷奇  |  3  |  10  |  6  | 
|  2018-11-02 13:00:00.0  |  丹佛  |  39  |  56  |  46  | 
|  2018-11-02 17:00:00.0  |  安克雷奇  |  2  |  10  |  4  | 
|  2018-11-02 19:00:00.0  |  丹佛  |  39  |  56  |  46  | 
|  2018-11-03 01:00:00.0  |  丹佛  |  36  |  56  |  45  | 
|  2018-11-03 01:00:00.0  |  安克雷奇  |  1  |  4  |  2  | 

## 行时间边界和窗口式聚合示例
<a name="sqlrf-windowed-aggregation-examples"></a>

以下是窗口式聚合查询的一个示例：

```
 SELECT STREAM ROWTIME, ticker, amount, SUM(amount)
    OVER (
        PARTITION BY ticker
        RANGE INTERVAL '1' HOUR PRECEDING)
 AS hourlyVolume
 FROM Trades
```

因为这是对流的查询，所以行一进入就会弹出此查询。例如，给定以下输入：

```
Trades: IBM 10 10 10:00:00
Trades: ORCL 20 10:10:00
Trades.bound: 10:15:00
Trades: ORCL 15 10:25:00
Trades: IBM 30 11:05:00
Trades.bound: 11:10:00
```

在此示例中，输出如下：

```
Trades: IBM 10 10 10:00:00
Trades: ORCL 20 20 10:10:00
Trades.bound: 10:15:00
Trades: ORCL 15 35 10:25:00
Trades: IBM 30 30 11:05:00
Trades.bound: 11:10:00
```

这些行仍然在后台逗留一个小时，因此第二个 ORCL 行输出的总计为 35；但原始 IBM 交易落在“上一个小时”窗口外，因此它未包含在 IBM 总计中。

## 示例
<a name="sqlrf_windowed_aggregation_example"></a>

有些业务问题似乎需要对流的整个历史进行总计，但这通常无法计算。但是，此类业务问题通常可以通过查看最后一天、最后一小时或最近 N 条记录来解决。此类记录的集合称为*窗口化聚合*。

它们在流数据库中易于计算，可以用 ANSI (SQL:2008) 标准 SQL 表示，如下所示：

```
SELECT STREAM ticker,
      avg(price) OVER lastHour AS avgPrice,
      max(price) OVER lastHour AS maxPrice
   FROM Bids
   WINDOW lastHour AS  (
      PARTITION BY ticker
      RANGE INTERVAL '1' HOUR PRECEDING)
```

## 
<a name="sqlrf_windowed_aggregation_notes"></a>

**注意**  
`Interval_clause` 必须属于以下合适的类型之一：  
包含 ROWS 的整数文字
数字列上的 RANGE 的数字值
范围超过 a 的间隔 date/time/timestamp