窗口函数是 SQL 中用于分析数据的强大工具，它允许在查询中对一组行执行计算，而不需要将其分组成单个结果。窗口函数可以对查询结果的每一行提供额外的信息，这在很多分析场景中都非常有用。

1. 定义：窗口函数在 SQL 查询中对数据集中的行进行计算，但与聚合函数不同，窗口函数不会减少结果集的行数。每一行都可以保留在结果中，并且可以基于窗口的定义来计算聚合值。

2. 窗口的组成：

   • PARTITION BY：用于将结果集分成多个分区（组）。每个分区内的行将独立进行计算。
   • ORDER BY：在每个分区内定义行的顺序。窗口函数的计算是基于这个顺序进行的。
   • RANGE 或 ROWS：定义窗口的范围，可以指定行数或基于值（如日期）进行计算。

3. 窗口函数的基本语法：

   <窗口函数> OVER (
       [PARTITION BY <列名>]
       [ORDER BY <列名>]
       [ROWS|RANGE BETWEEN ...]
   )
   

4. 常见的专用窗口函数：

   函数	分类	说明
   RANK	排序函数	类似于排名，并列的结果序号可以重复，序号不连续
   DENSE_RANK	排序函数	类似于排名，并列的结果序号可以重复，序号连续
   ROW_NUMBER	排序函数	对该分组下的所有结果作一个排序，基于该分组给一个行数
   PERCENT_RANK	分布函数	每行按照公式 (rank-1) / (rows-1) 进行计算
   CUME_DIST	分布函数	分组内小于、等于当前 rank 值的行数 / 分组内总行数

   ​

5. LeetCode例题：
   1321. 餐馆营业额变化增长

   表: Customer
   +---------------+---------+
   | Column Name   | Type    |
   +---------------+---------+
   | customer_id   | int     |
   | name          | varchar |
   | visited_on    | date    |
   | amount        | int     |
   +---------------+---------+
   在 SQL 中，(customer_id, visited_on) 是该表的主键。
   该表包含一家餐馆的顾客交易数据。
   visited_on 表示 (customer_id) 的顾客在 visited_on 那天访问了餐馆。
   amount 是一个顾客某一天的消费总额。
    
   你是餐馆的老板，现在你想分析一下可能的营业额变化增长（每天至少有一位顾客）。
   计算以 7 天（某日期 + 该日期前的 6 天）为一个时间段的顾客消费平均值。average_amount 要 保留两位小数。
   结果按 visited_on 升序排序。
   返回结果格式的例子如下。
   
    
   
   示例 1:
   
   输入：
   Customer 表:
   +-------------+--------------+--------------+-------------+
   | customer_id | name         | visited_on   | amount      |
   +-------------+--------------+--------------+-------------+
   | 1           | Jhon         | 2019-01-01   | 100         |
   | 2           | Daniel       | 2019-01-02   | 110         |
   | 3           | Jade         | 2019-01-03   | 120         |
   | 4           | Khaled       | 2019-01-04   | 130         |
   | 5           | Winston      | 2019-01-05   | 110         | 
   | 6           | Elvis        | 2019-01-06   | 140         | 
   | 7           | Anna         | 2019-01-07   | 150         |
   | 8           | Maria        | 2019-01-08   | 80          |
   | 9           | Jaze         | 2019-01-09   | 110         | 
   | 1           | Jhon         | 2019-01-10   | 130         | 
   | 3           | Jade         | 2019-01-10   | 150         | 
   +-------------+--------------+--------------+-------------+
   输出：
   +--------------+--------------+----------------+
   | visited_on   | amount       | average_amount |
   +--------------+--------------+----------------+
   | 2019-01-07   | 860          | 122.86         |
   | 2019-01-08   | 840          | 120            |
   | 2019-01-09   | 840          | 120            |
   | 2019-01-10   | 1000         | 142.86         |
   +--------------+--------------+----------------+
   #解释：
   #第一个七天消费平均值从 2019-01-01 到 2019-01-07 是restaurant-growth/restaurant-growth/ (100 + 110 + 120 + 130 + 110 + 140 + 150)/7 = 122.86
   #第二个七天消费平均值从 2019-01-02 到 2019-01-08 是 (110 + 120 + 130 + 110 + 140 + 150 + 80)/7 = 120
   #第三个七天消费平均值从 2019-01-03 到 2019-01-09 是 (120 + 130 + 110 + 140 + 150 + 80 + 110)/7 = 120
   #第四个七天消费平均值从 2019-01-04 到 2019-01-10 是 (130 + 110 + 140 + 150 + 80 + 110 + 130 + 150)/7 = 142.86
   

   解法：

   select
   visited_on, 
   sum_amount as amount,
   round(sum_amount/7,2) as average_amount
   from
   (
       select 
       distinct visited_on,
       #拿到前六天和当天的合
       SUM(amount) over(order by visited_on asc RANGE between INTERVAL 6 DAY preceding and current row) as sum_amount,
       dense_rank() over(order by visited_on asc) as rank_num
       from Customer
   ) t
   where
   rank_num >= 7
   

6. ROWS BETWEEN子句常见关键字含义：

   关键字	含义
   PRECEDING	当前行数往前
   FOLLOWING	当前行数往后
   CURRENT ROW	当前行
   UNBOUNDED	起点（一般结合PRECEDING，FOLLOWING使用）
   UNBOUNDED PRECEDING	表示该窗口最前面的行（起点）
   UNBOUNDED FOLLOWING	表示该窗口最后面的行（终点）

7. 优势：

   • 保留行信息：窗口函数不会丢失行信息，允许分析每一行的上下文。
   • 灵活性：可以对数据进行多维度分析，比如按时间、区域等进行分组。
   • 性能：在大数据集上，使用窗口函数可以更有效地处理数据分析。