它们喜欢先甩给你一串语法：OVER(PARTITION BY ... ORDER BY ...)，然后再贴几个例子，最后你记住了 ROW_NUMBER()，却还是不知道什么时候该用、为什么好用。
这一篇不绕弯，直接把 SQL 窗口函数最常用、最容易卡壳的部分讲透。
一、窗口函数到底是干嘛的？
先说人话版定义：
窗口函数 = 在“不压缩结果行数”的前提下，按某个范围对数据做计算。
这是它和 GROUP BY 最大的区别。
1. GROUP BY 会把多行压成一行
比如你按部门统计员工人数：
SELECT department, COUNT(*) AS emp_count FROM employees GROUP BY department;
结果是每个部门只剩一行。
这很正常，但问题来了：
如果你既想保留每个员工这一行，又想知道他所在部门有多少人，怎么办？
这时候 GROUP BY 就不顺手了，窗口函数就是来干这个的。
2. 窗口函数保留明细，同时做聚合
SELECT employee_id, name, department, salary, COUNT(*) OVER(PARTITION BY department) AS dept_emp_count FROM employees;
你会得到这样的效果：
• 每个员工仍然保留一行
• 同时多出一个字段：这个员工所在部门的人数
这就是窗口函数最核心的价值：
明细不丢，统计也有。
这四个字，值千金。
二、先把最关键的语法拆开
窗口函数常见写法长这样：
函数名() OVER( PARTITION BY ... ORDER BY ... )
别一看括号多就头大，其实就三层意思。
1. OVER()：声明“我要按窗口算”
没有 OVER()，很多函数就是普通聚合函数。
比如：
SUM(salary)
这是普通聚合。
而：
SUM(salary) OVER()
这是窗口函数，表示：
在整个结果集这个窗口里，计算总工资，但不要把行合并掉。
2. PARTITION BY：先分组，但不折叠行
它很像 GROUP BY，但只是在逻辑上分区，不会把数据压缩。
SUM(salary) OVER(PARTITION BY department)
意思是：
• 以部门为单位划分窗口
• 在每个部门窗口内计算工资总和
• 结果回填到该部门的每一行
你可以把它理解成：
是“分组统计”，但保留每条明细。
3. ORDER BY：定义窗口内的顺序
很多窗口函数都和“顺序”强相关，比如：
• 排名
• 累计值
• 上一行 / 下一行
这时候就必须指定顺序：
ROW_NUMBER() OVER(PARTITION BY department ORDER BY salary DESC)
意思是：
• 先按部门分区
• 再在每个部门内部，按工资从高到低排序
• 给每个人编号
三、先学会最常用的 3 个排名函数
这是窗口函数入门里最实用的一组。
假设有一张成绩表：
student_scores ------------------------- student_name | class | score 张三 | A | 95 李四 | A | 95 王五 | A | 90 赵六 | A | 88
1. ROW_NUMBER()：强行排唯一名次
SELECT student_name, class, score, ROW_NUMBER() OVER(PARTITION BY class ORDER BY score DESC) AS rn FROM student_scores;
结果可能是：
• 张三 1
• 李四 2
• 王五 3
• 赵六 4
即使张三和李四同分，ROW_NUMBER() 也会硬分先后。
适用场景：
• 每组取 Top 1 / Top N
• 去重保留一条
• 分页编号
2. RANK()：并列占同名，后面跳号
SELECT student_name, class, score, RANK() OVER(PARTITION BY class ORDER BY score DESC) AS rk FROM student_scores;
结果会变成：
• 张三 1
• 李四 1
• 王五 3
• 赵六 4
因为前两个人并列第一，所以第三个人的名次直接变成 3。
适用场景：
• 正常比赛排名
• 允许并列且保留“跳号”语义的榜单
3. DENSE_RANK()：并列占同名，但不跳号
SELECT student_name, class, score, DENSE_RANK() OVER(PARTITION BY class ORDER BY score DESC) AS dr FROM student_scores;
结果是：
• 张三 1
• 李四 1
• 王五 2
• 赵六 3
适用场景：
• 分层级
• 分档次
• 想体现并列，但不想出现名次断层
四、SQL 面试和实战都爱考：每组 Top N
这题你应该见过：
查询每个部门工资最高的 3 个人。
很多人第一反应是子查询套子查询，写得像意大利面。
其实窗口函数是标准答案。
SELECT * FROM ( SELECT employee_id, name, department, salary, ROW_NUMBER() OVER(PARTITION BY department ORDER BY salary DESC) AS rn FROM employees ) t WHERE rn <= 3;
SELECT sale_date, amount, SUM(amount) OVER(ORDER BY sale_date) AS running_total FROM daily_sales;
这会得到：
• 3 月 1 日：100
• 3 月 2 日：250
• 3 月 3 日：370
• 3 月 4 日：550
这就是累计求和。
如果想按门店分别累计？
SELECT store_id, sale_date, amount, SUM(amount) OVER(PARTITION BY store_id ORDER BY sale_date) AS running_total FROM daily_sales;
意思很简单：
• 每个门店是一个窗口
• 门店内部按日期排序
• 分别计算各自累计值
这类写法在下面场景非常常见：
• 日活 / 周活累计
• 财务累计收入
• 用户增长曲线
• 库存变化趋势
六、LAG 和 LEAD：查上一行、下一行，真的太好用
很多新手写 SQL 时，一遇到“和上一天比较”，就想自连接。
说实话，能写，但丑。
窗口函数里有更直接的：
• LAG()：看上一行
• LEAD()：看下一行
1. 看上一天销售额
SELECT sale_date, amount, LAG(amount, 1) OVER(ORDER BY sale_date) AS prev_amount FROM daily_sales;
这里：
• LAG(amount, 1) 表示取前 1 行的 amount
• 如果前面没有行，就返回 NULL
2. 直接算日增长
SELECT sale_date, amount, LAG(amount, 1) OVER(ORDER BY sale_date) AS prev_amount, amount - LAG(amount, 1) OVER(ORDER BY sale_date) AS diff_amount FROM daily_sales;
这就能直接算出和上一天相比增减了多少。
3. 再进一步，算增长率
SELECT sale_date, amount, LAG(amount, 1) OVER(ORDER BY sale_date) AS prev_amount, ROUND( (amount - LAG(amount, 1) OVER(ORDER BY sale_date)) / NULLIF(LAG(amount, 1) OVER(ORDER BY sale_date), 0), 2 ) AS growth_rate FROM daily_sales;
这个场景在业务分析里非常常见：
• 环比增长
• 次日留存对比
• 用户行为变化
• 价格波动分析
七、很多人学不会窗口函数，不是因为难，是因为脑子里没画面
你可以用这个心智模型记：
普通聚合函数
像把很多行扔进榨汁机，最后变成一杯。
窗口函数
像你把每一行放在原位，只是给它发一张“统计结果小纸条”。
比如这一行员工数据旁边贴一张：
• 部门平均工资
• 部门排名
• 上一位同事工资
• 截至当前的累计销售额
行没消失，信息却更丰富了。
这就是窗口函数的本质。
八、再讲一个关键点：窗口函数常见组合拳
实战里，你不是只会写一个 ROW_NUMBER() 就完事，更多时候是组合使用。
场景 1：找每个用户最近一次登录
SELECT * FROM ( SELECT user_id, login_time, ROW_NUMBER() OVER(PARTITION BY user_id ORDER BY login_time DESC) AS rn FROM user_login_log ) t WHERE rn = 1;
场景 2：计算每个部门的平均工资，并看员工是否高于部门均值
SELECT employee_id, name, department, salary, AVG(salary) OVER(PARTITION BY department) AS dept_avg_salary, CASE WHEN salary > AVG(salary) OVER(PARTITION BY department) THEN '高于均值' ELSE '不高于均值' END AS salary_level FROM employees;
场景 3：找连续上涨的数据趋势
SELECT sale_date, amount, LAG(amount, 1) OVER(ORDER BY sale_date) AS prev_amount, CASE WHEN amount > LAG(amount, 1) OVER(ORDER BY sale_date) THEN '上涨' WHEN amount < LAG(amount, 1) OVER(ORDER BY sale_date) THEN '下降' ELSE '持平' END AS trend FROM daily_sales;
这些需求，如果不用窗口函数，不是不能做，是会写得更丑、更绕、更难维护。
九、初学者最容易踩的 5 个坑
1. 把 PARTITION BY 当成 GROUP BY
记住：
• GROUP BY：会减少结果行数
• PARTITION BY：不会减少结果行数
别混。
2. 排名函数没写 ORDER BY
像 ROW_NUMBER()、RANK() 这种函数，不写排序基本等于耍流氓。
你不指定顺序，数据库怎么知道谁第一？
3. 取 Top N 时选错函数
• 只要唯一编号：ROW_NUMBER()
• 允许并列且跳号：RANK()
• 允许并列且不跳号：DENSE_RANK()
别无脑都写 ROW_NUMBER()。
4. 忘了窗口函数是在 SELECT 结果阶段计算
所以你通常不能直接在 里过滤窗口函数结果，要包一层子查询或用 QUALIFY（如果数据库支持）。
错误示意：
SELECT name, ROW_NUMBER() OVER(PARTITION BY department ORDER BY salary DESC) AS rn FROM employees WHERE rn <= 3;
这在很多数据库里会报错。
正确方式：
SELECT * FROM ( SELECT name, ROW_NUMBER() OVER(PARTITION BY department ORDER BY salary DESC) AS rn FROM employees ) t WHERE rn <= 3;
5. 不理解默认窗口范围
尤其是 SUM()、AVG() 这种带 ORDER BY 的窗口函数，很多数据库会有默认 frame 行为。
你如果发现结果和预期不一致，就要看看是不是该显式写：
ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW
对于初学者来说，这一层先记住一句就够了：
只要你在做累计值，最好知道数据库默认 frame 是怎么处理的。
十、一套最实用的学习路径，别乱学
如果你想真正掌握 SQL 窗口函数，建议按下面顺序学：
第一步：先理解它和 GROUP BY 的区别
如果这一步不清楚，后面都会糊。
第二步：先练 ROW_NUMBER()、RANK()、DENSE_RANK()
因为这是最容易出现在题目和业务里的。
第三步：练累计求和
把 SUM() OVER(ORDER BY ...) 写顺手。
第四步：练 LAG() / LEAD()
这是分析类 SQL 的核心能力之一。
第五步：再去碰 frame、滑动窗口这些高级用法
比如：
• 最近 7 天移动平均
• 最近 3 条记录求均值
• 滚动统计
这些更进阶，但前面没打牢，学它们就是硬啃。
十一、给你一份窗口函数速记表
排名类
• ROW_NUMBER()：唯一编号，不管并列
• RANK()：并列占同名，后面跳号
• DENSE_RANK()：并列占同名，后面不跳号
聚合类
• SUM() OVER(...)：窗口求和
• AVG() OVER(...)：窗口平均值
• COUNT() OVER(...)：窗口计数
• MAX() OVER(...) / MIN() OVER(...)：窗口最大最小值
偏移类
• LAG()：取前 N 行
• LEAD()：取后 N 行
常见结构
-- 分组排名 ROW_NUMBER() OVER(PARTITION BY department ORDER BY salary DESC) -- 分组累计 SUM(amount) OVER(PARTITION BY store_id ORDER BY sale_date) -- 取上一行 LAG(amount, 1) OVER(ORDER BY sale_date)
400 186 1886
