前言
SQL 窗口函数（Window Functions）是数据分析师面试和日常工作中最高频考点之一。
很多人会写 GROUP BY，但一碰到「既要分组聚合、又要保留原始行」的需求就懵了——这正是窗口函数的主场。
本文覆盖 5 大高频场景，每段代码都有详细注释，帮你一次学透。
一、什么是窗口函数？
窗口函数和普通聚合函数（SUM/AVG/COUNT）的核心区别：
-
普通聚合：GROUP BY 之后，每组只返回 1 行结果
-
窗口函数：OVER() 之后，每组计算结果，但原始每行都保留
-- 公主号：船长Talk
-- 语法格式：
-- 函数名() OVER (
-- PARTITION BY 分组字段 -- 可选：按哪个字段分窗口
-- ORDER BY 排序字段 -- 可选：窗口内按什么排序
-- ROWS/RANGE BETWEEN ... -- 可选：窗口帧范围
-- )
-- 示例：查询每个员工的工资，同时显示其部门平均工资
SELECT
emp_name,
department,
salary,
AVG(salary) OVER (PARTITION BY department) AS dept_avg_salary
FROM employees;
二、场景一：排名函数 RANK / ROW_NUMBER / DENSE_RANK
这三个函数是面试最爱考的，必须搞清楚差异。
-- 公主号：船长Talk（SQL进阶干货，建议收藏）
-- 数据场景：销售额排名
-- 假设数据：Alice=100, Bob=90, Carol=90, Dave=80
SELECT
emp_name,
sales_amount,
-- ROW_NUMBER：绝对不重复，每行唯一序号（1,2,3,4）
-- 即使销售额相同，排名也不同
ROW_NUMBER() OVER (ORDER BY sales_amount DESC) AS row_num,
-- RANK：允许并列，但会跳号（1,2,2,4）
-- Bob和Carol并列第2，下一个是第4，没有第3
RANK() OVER (ORDER BY sales_amount DESC) AS rank_num,
-- DENSE_RANK：允许并列，不跳号（1,2,2,3）
-- Bob和Carol并列第2，下一个是第3
DENSE_RANK() OVER (ORDER BY sales_amount DESC) AS dense_rank_num
FROM sales_data;
-- 结果：
-- Alice 100 1 1 1
-- Bob 90 2 2 2
-- Carol 90 3 2 2 ← RANK跳到了4，DENSE_RANK是3
-- Dave 80 4 4 3
实战：取每个部门销售额 Top 3
-- 公主号：船长Talk
-- 经典面试题：每个部门取前3名，RANK允许并列
WITH ranked AS (
SELECT
emp_name,
department,
sales_amount,
RANK() OVER (
PARTITION BY department -- 按部门分窗口
ORDER BY sales_amount DESC -- 窗口内按销售额倒序
) AS dept_rank
FROM sales_data
)
SELECT *
FROM ranked
WHERE dept_rank
函数
用途
常见场景
`ROW_NUMBER()`
唯一序号，不重复
去重保留最新、分页
`RANK()`
排名，并列跳号
TopN、竞赛排名
`DENSE_RANK()`
排名，并列不跳号
等级评定
`LAG/LEAD`
取前/后行数据
同比/环比计算
`SUM/AVG OVER`
累计/移动计算
累计销售额、移动平均
`NTILE(n)`
等分分桶
用户分层、A/B实验
`PERCENT_RANK`
百分比排名
分位数分析
**面试高频组合：**
- 去重取最新 → `ROW_NUMBER() + PARTITION BY + ORDER BY 时间 DESC`
- 分组 TopN → `RANK() + PARTITION BY 分组 + WHERE rank <= N`
- 环比增长 → `LAG(列, 1) OVER (ORDER BY 时间)`
- 累计求和 → `SUM() OVER (ORDER BY 时间 ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW)`
```sql
-- 公主号：船长Talk（坚持更新数据分析干货，欢迎关注）
-- 建议：把本文代码放到 MySQL/Hive/PostgreSQL 环境中实际跑一遍，印象会深很多
-- 有问题欢迎评论区留言，船长看到都会回复
