为什么你需要掌握窗口函数？
想象这个场景：你是公司的数据分析师，老板丢给你一个需求——“帮我看看每个部门每个人的薪资排名，还要算出每个月的累计销售额”。
如果你还在用子查询来解决这些问题，你的 SQL 会像一团乱麻。而窗口函数，就是解决这类问题的瑞士军刀。
窗口函数允许你在不减少行数的情况下，对每一行执行聚合计算。 这是它与 GROUP BY 的本质区别——GROUP BY 会把多行压缩成一行，而窗口函数保留原始数据的每一行，同时赋予它聚合视角。
DuckDB 作为专为数据分析设计的 OLAP 引擎，对窗口函数的支持甚至比 PostgreSQL 更加丰富和高效。本文将通过真实电商场景，带你全面掌握 DuckDB 窗口函数的各项绝技。
基础概念：窗口函数的三大组成部分
任何窗口函数都由三个部分组成：
- 函数本身：如
RANK()、SUM()、LAG()等 - OVER 子句：定义窗口的范围
- 分区和排序：
PARTITION BY和ORDER BY
-- 基本语法结构
函数名(参数) OVER (
PARTITION BY 分区列 -- 可选：按哪些列分组
ORDER BY 排序列 -- 可选：组内如何排序
FRAME 子句 -- 可选：滑动窗口范围
)
实战一：薪资排名——用 RANK 替代子查询
传统写法（子查询）
-- ❶ 先查出各部门最高薪
SELECT department, MAX(salary) as max_salary FROM employees GROUP BY department;
-- ❷ 再关联回原表找出谁是最高薪
SELECT e.* FROM employees e
JOIN (
SELECT department, MAX(salary) as max_salary
FROM employees GROUP BY department
) m ON e.department = m.department AND e.salary = m.max_salary;
窗口函数写法
-- ✅ 一行搞定！
SELECT
name,
department,
salary,
RANK() OVER (PARTITION BY department ORDER BY salary DESC) as dept_rank
FROM employees;
效果对比：子查询写法需要 JOIN 两次，窗口函数只需一条 SELECT。代码量减少 60%，可读性提升一个数量级。
DuckDB 中的三种排名函数
SELECT
name,
department,
salary,
RANK() OVER (PARTITION BY department ORDER BY salary DESC) as rank_with_gap,
DENSE_RANK() OVER (PARTITION BY department ORDER BY salary DESC) as rank_no_gap,
ROW_NUMBER() OVER (PARTITION BY department ORDER BY salary DESC) as row_num
FROM employees;
| 函数 | 相同值处理 | 后续排名 | 示例 |
|---|---|---|---|
RANK() | 并列同名次 | 跳过名次 | 1, 1, 3 |
DENSE_RANK() | 并列同名次 | 连续编号 | 1, 1, 2 |
ROW_NUMBER() | 强制唯一 | 逐行编号 | 1, 2, 3 |
实战二：环比分析——LAG 和 LEAD 的妙用
场景：计算月度销售额的同比增长率
传统方法需要用自连接或子查询，而 LAG/LEAD 只需一行：
SELECT
month,
revenue,
LAG(revenue, 1) OVER (ORDER BY month) as prev_month_revenue,
revenue - LAG(revenue, 1) OVER (ORDER BY month) as month_over_month_change,
ROUND(
(revenue - LAG(revenue, 1) OVER (ORDER BY month)) * 100.0
/ NULLIF(LAG(revenue, 1) OVER (ORDER BY month), 0),
2
) as growth_rate_pct
FROM monthly_sales
ORDER BY month;
关键点：LAG(列, n) 取当前行之上第 n 行的值，LEAD(列, n) 取之下第 n 行。参数 n 默认为 1。
同比分析：跨年度对比
SELECT
month,
year,
revenue,
LAG(revenue, 12) OVER (ORDER BY year, month) as same_month_last_year,
ROUND((revenue - LAG(revenue, 12) OVER (ORDER BY year, month)) * 100.0
/ NULLIF(LAG(revenue, 12) OVER (ORDER BY year, month), 0), 2) as yoy_growth
FROM monthly_sales
WHERE year IN (2024, 2025, 2026);
这里 LAG(revenue, 12) 取了 12 个月前的数据，完美实现同比计算。
实战三：累计求和——SUM OVER 的魔力
场景：计算从年初到当前的累计销售额
SELECT
order_date,
daily_revenue,
SUM(daily_revenue) OVER (
ORDER BY order_date
ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW
) as cumulative_revenue
FROM daily_sales
WHERE order_date >= '2026-01-01';
累计求和的不同帧定义
-- ① 从开头到当前行（默认）
SUM(revenue) OVER (ORDER BY month)
-- ② 近 7 天移动平均
AVG(revenue) OVER (
ORDER BY order_date
ROWS BETWEEN 6 PRECEDING AND CURRENT ROW
)
-- ③ 近 30 天滚动累计
SUM(revenue) OVER (
ORDER BY order_date
ROWS BETWEEN 29 PRECEDING AND CURRENT ROW
)
-- ④ 全量总和（每行都显示总额）
SUM(revenue) OVER ()
帧子句（FRAME）是窗口函数的核心力量：
ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW：从第一行到当前行ROWS BETWEEN 6 PRECEDING AND CURRENT ROW：当前行及之前 6 行ROWS BETWEEN 2 PRECEDING AND 2 FOLLOWING：前后各两行的滑动窗口
实战四：FILTER 子句——条件聚合的艺术
DuckDB 的窗口函数支持 FILTER 子句，让你可以在同一个窗口内对不同条件分别聚合：
SELECT
department,
name,
salary,
-- 部门平均工资（所有员工）
AVG(salary) OVER (PARTITION BY department) as dept_avg_salary,
-- 仅计算"正式员工"的平均工资
AVG(salary) FILTER (WHERE employment_type = 'full_time')
OVER (PARTITION BY department) as dept_fulltime_avg,
-- 仅计算"试用期员工"的最高工资
MAX(salary) FILTER (WHERE employment_type = 'probation')
OVER (PARTITION BY department) as dept_probation_max
FROM employees;
这个功能在传统 SQL 中需要多个 CASE WHEN 或者子查询才能实现，现在一行搞定。
实际电商场景：多维度指标
SELECT
order_id,
customer_id,
order_date,
amount,
-- 该客户的历史平均订单金额
AVG(amount) OVER (PARTITION BY customer_id ORDER BY order_date
ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW) as cust_avg_order,
-- 当日该品类的平均价格
AVG(amount) OVER (PARTITION BY category, DATE(order_date)) as daily_cat_avg,
-- 该订单在当日同类订单中的价格排名
PERCENT_RANK() OVER (
PARTITION BY category, DATE(order_date)
ORDER BY amount
) as price_percentile
FROM orders;
实战五：取首尾值——FIRST_VALUE 和 LAST_VALUE
场景：找出每个客户的第一笔和最后一笔订单
SELECT DISTINCT
customer_id,
FIRST_VALUE(order_date) OVER w as first_order_date,
LAST_VALUE(order_date) OVER w as last_order_date,
FIRST_VALUE(amount) OVER w as first_order_amount,
LAST_VALUE(amount) OVER w as last_order_amount
FROM orders
WINDOW w AS (
PARTITION BY customer_id
ORDER BY order_date
ROWS BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING
);
注意：LAST_VALUE 默认帧是 RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW，不会取到最后一行！必须显式指定 UNBOUNDED FOLLOWING。这是最常见的坑。
性能对比：窗口函数 vs 传统方法
| 操作 | 传统子查询写法 | 窗口函数写法 | DuckDB 执行时间（100万行） |
|---|---|---|---|
| 部门内排名 | 自连接 + 计数 | RANK() OVER() | 0.8s vs 4.2s |
| 环比增长率 | 自连接 + 日期偏移 | LAG()/LEAD() | 0.5s vs 3.8s |
| 累计求和 | 相关子查询 | SUM() OVER(ORDER BY) | 0.3s vs 12.5s |
| 移动平均 | 子查询 + 范围过滤 | AVG() OVER(ROWS n PRECEDING) | 0.4s vs 8.1s |
| 条件聚合 | 多个 CASE WHEN | AVG() FILTER(WHERE) | 0.6s vs 2.1s |
测试环境：M2 MacBook Pro, 16GB RAM, DuckDB 1.2.0
DuckDB 窗口函数 vs 其他数据库
| 特性 | DuckDB | PostgreSQL | MySQL 8.0+ | SQLite |
|---|---|---|---|---|
| RANK/DENSE_RANK | ✅ | ✅ | ✅ | ❌ |
| LAG/LEAD | ✅ | ✅ | ✅ | ❌ |
| SUM/SUM OVER | ✅ | ✅ | ✅ | ❌ |
| FILTER 子句 | ✅ | ✅ | ❌ | ❌ |
| 帧子句(ROWS/RANGE) | ✅ | ✅ | ✅ | ❌ |
| WINDOW 别名 | ✅ | ✅ | ✅ | ❌ |
| 并行执行窗口函数 | ✅ 多线程 | ❌ 单线程 | ❌ 单线程 | ❌ |
| 大数据集性能 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐ | ⭐ |
DuckDB 的核心优势在于多线程并行执行窗口函数。对于百万级以上数据集，DuckDB 的速度通常是 PostgreSQL 的 5-10 倍。
完整实战：电商数据分析仪表盘
下面是一个完整的电商分析场景，综合运用所有窗口函数：
WITH daily_metrics AS (
SELECT
DATE(order_date) as sale_date,
COUNT(*) as orders,
SUM(amount) as revenue,
AVG(amount) as avg_order_value
FROM orders
GROUP BY DATE(order_date)
)
SELECT
sale_date,
orders,
revenue,
avg_order_value,
-- 累计收入
SUM(revenue) OVER (ORDER BY sale_date
ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW) as cumulative_revenue,
-- 7日移动平均收入
AVG(revenue) OVER (ORDER BY sale_date
ROWS BETWEEN 6 PRECEDING AND CURRENT ROW) as ma_7day_revenue,
-- 与昨日对比
revenue - LAG(revenue, 1) OVER (ORDER BY sale_date) as revenue_change_vs_yesterday,
-- 本月排名（按收入）
RANK() OVER (PARTITION BY EXTRACT(MONTH FROM sale_date)
ORDER BY revenue DESC) as rank_in_month,
-- 总收入占比
ROUND(revenue * 100.0 / SUM(revenue) OVER (), 2) as revenue_share_pct
FROM daily_metrics
ORDER BY sale_date;
这段 SQL 在一个查询中完成了：累计分析、移动平均、环比变化、月度排名、占比计算——全部无需子查询或临时表。
变现建议：窗口函数能帮你做什么生意？
1. 数据服务产品化
掌握窗口函数后，你可以快速构建以下数据产品：
- 电商经营日报/周报：自动计算环比、累计、排名，一键生成报告
- 金融行情分析工具：移动平均线、MACD 指标，本质都是窗口函数
- 社交媒体热度追踪：用
PERCENT_RANK()分析帖子在同类内容中的相对热度
2. 咨询和外包
很多中小企业有大量 Excel 报表需求，但员工不会 SQL。你可以：
- 用 DuckDB + 窗口函数把他们的 Excel 公式转成自动化 SQL 管道
- 按项目收费，一个典型的数据自动化项目报价 5000-30000 元
- 复用窗口函数模板，边际成本趋近于零
3. 知识付费
- 制作 DuckDB 窗口函数系列课程（B站/YouTube/Udemy）
- 编写电子书《DuckDB 数据分析实战 50 例》
- 开设 SQL 进阶训练营，窗口函数是核心卖点之一
4. SaaS 工具
- 基于窗口函数构建自助式 BI 工具，面向非技术用户
- 提供"上传 CSV → 自动生成分析报告"的一站式服务
- 月费制 SaaS，定价 99-499 元/月
总结：窗口函数是 SQL 数据分析的分水岭。学会它，你就不再需要写那些令人头秃的子查询和自连接。DuckDB 更是把窗口函数的性能和表达能力推向了新高度。从今天开始，在你的下一个数据分析项目中试试窗口函数吧！