Q39 - SQL高级与PostgreSQL深入
一、窗口函数深入(1-10)
窗口函数的执行原理?
★★★★★
- 语法:函数名() OVER (PARTITION BY col ORDER BY col [ROWS/RANGE ...])。
- 执行时机:在WHERE、GROUP BY、HAVING之后,ORDER BY之前。窗口函数不影响结果行数。
- PARTITION BY:分区,类似GROUP BY但不聚合行——每个分区内独立计算。
- ORDER BY:分区内排序,决定窗口函数的计算顺序(如ROW_NUMBER需要排序)。
- 窗口帧(Frame):ROWS BETWEEN ... AND ... 定义窗口范围,默认是RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW。
- 面试要点:窗口函数=不缩减行数的分组聚合。理解执行顺序是关键。
ROW_NUMBER vs RANK vs DENSE_RANK?
★★★★★
- ROW_NUMBER():连续编号,1,2,3,4——不处理并列。
- RANK():并列跳号,1,1,3,4——并列占位,下一个跳过。
- DENSE_RANK():并列不跳号,1,1,2,3——并列不占位。
- 经典题:每个部门工资前三名——用DENSE_RANK() OVER (PARTITION BY dept ORDER BY salary DESC) WHERE rnk <= 3。
- 面试要点:三者的区别和适用场景是SQL面试必考题。
LAG和LEAD函数?
★★★★★
- LAG(col, offset, default):获取当前行前offset行的值。如LAG(salary, 1, 0)获取上一行工资。
- LEAD(col, offset, default):获取当前行后offset行的值。如LEAD(salary, 1)获取下一行工资。
- 环比增长:
SELECT month, revenue,
LAG(revenue, 1) OVER (ORDER BY month) AS prev_month,
ROUND((revenue - LAG(revenue,1) OVER (ORDER BY month))
/ LAG(revenue,1) OVER (ORDER BY month) * 100, 2) AS growth_rate
FROM monthly_sales;
- 面试要点:LAG/LEAD是计算环比/同比增长的核心函数。
累计求和和移动平均?
★★★★
SELECT order_date, amount,
SUM(amount) OVER (ORDER BY order_date) AS running_total
FROM orders;
SELECT date, amount,
AVG(amount) OVER (ORDER BY date ROWS BETWEEN 6 PRECEDING AND CURRENT ROW) AS avg_7d
FROM daily_stats;
- 面试要点:ROWS BETWEEN ... PRECEDING AND ... FOLLOWING定义窗口范围。
连续登录/连续事件问题?
★★★★★
-- 连续登录7天的用户
SELECT user_id, MIN(login_date) AS start_date, MAX(login_date) AS end_date, COUNT(*) AS days
FROM (
SELECT user_id, login_date,
login_date - ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY login_date)::int AS grp
FROM user_logins
) t GROUP BY user_id, grp HAVING COUNT(*) >= 7;
- 原理:login_date与ROW_NUMBER的差值在连续时相同(因为日期递增1,行号也递增1),用差值分组即可识别连续序列。
- 面试要点:这是SQL面试的经典题——"日期减行号分组法"。
Top-N问题?
★★★★
-- 每个类别销量前3的商品
SELECT * FROM (
SELECT category, product_name, sales,
ROW_NUMBER() OVER (PARTITION BY category ORDER BY sales DESC) AS rnk
FROM products
) t WHERE rnk <= 3;
- 注意:如果需要处理并列,用DENSE_RANK替代ROW_NUMBER。
- 面试要点:Top-N是窗口函数最常见的应用场景。
FIRST_VALUE和LAST_VALUE?
★★★★
- FIRST_VALUE(col) OVER (...):窗口内第一个值。
- LAST_VALUE(col) OVER (...):窗口内最后一个值。
- 注意:LAST_VALUE的默认窗口是RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW,所以"最后一个值"实际是"当前行"。需要显式指定ROWS BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING。
- 面试要点:LAST_VALUE的默认窗口帧是常见的坑。
NTILE分组?
★★★
- NTILE(N):将分区内的行分为N组,返回当前行的组号(1到N)。
- 场景:将用户分为4个收入等级——NTILE(4) OVER (ORDER BY income)。
- 取前10%的数据:NTILE(100) OVER (ORDER BY score) → WHERE bucket <= 10。
窗口函数的性能优化?
★★★★
- 索引:PARTITION BY和ORDER BY的字段需要索引。
- 减少分区:PARTITION BY的字段基数不要太高(如按用户ID分区百万级会很慢)。
- 避免全表扫描:在子查询中先过滤再窗口函数。
- 物化视图:频繁使用的窗口函数结果可以物化缓存。
- 面试要点:窗口函数性能瓶颈在排序(每个分区都要排序),索引是关键。
MySQL 8.0 vs PostgreSQL窗口函数?
★★★★
- MySQL 8.0:支持标准窗口函数(ROW_NUMBER/RANK/LAG/LEAD等),功能完整。
- PostgreSQL:支持更丰富(NTILE更灵活、自定义聚合窗口函数、更多的窗口帧选项)。
- 性能:PostgreSQL在大数据量窗口函数场景通常更快(优化的Sort+Scan算法)。
- 面试要点:两者语法基本相同,PostgreSQL性能和功能略优。
二、CTE与递归查询(11-18)
CTE(公共表表达式)基础?
★★★★
- 语法:WITH cte_name AS (SELECT ...) SELECT ... FROM cte_name。
- 优势:(1) 可读性——给子查询起名字;(2) 可复用——同一CTE可多次引用;(3) 支持递归。
- 非递归CTE:
WITH active_users AS (
SELECT user_id FROM users WHERE status = 'ACTIVE'
)
SELECT o.* FROM orders o JOIN active_users au ON o.user_id = au.user_id;
- 面试要点:CTE本质上就是"命名的子查询",但可读性和可复用性更好。
递归CTE(WITH RECURSIVE)?
★★★★★
WITH RECURSIVE org_tree AS (
-- 锚点查询(非递归部分)
SELECT id, name, parent_id, 1 AS level, CAST(name AS VARCHAR(1000)) AS path
FROM departments WHERE parent_id IS NULL
UNION ALL
-- 递归部分
SELECT d.id, d.name, d.parent_id, ot.level + 1,
ot.path || ' > ' || d.name
FROM departments d JOIN org_tree ot ON d.parent_id = ot.id
)
SELECT * FROM org_tree ORDER BY level, path;
- 三个要素:(1) 锚点查询(起始条件);(2) UNION ALL连接递归;(3) 递归查询(引用CTE自身)。
- 面试要点:递归CTE用于树形/层级数据的遍历,是面试高频题。
递归CTE的经典场景?
★★★★★
- 组织架构树:查某员工的所有上级链/所有下级。
- 评论/回复树:查某评论的所有子回复(含层级信息)。
- 菜单树:查菜单的层级结构和路径。
- 好友关系链:查N度好友关系。
- 物料BOM展开:查某产品的所有子零件(多层级BOM)。
- 面试要点:能写出一个组织架构树的递归查询。
PostgreSQL的物化CTE?
★★★★
- MATERIALIZED(默认):CTE结果物化(存临时表),只计算一次,多次引用复用。
- NOT MATERIALIZED:CTE内联展开(类似视图),每次引用重新计算。
WITH expensive_query AS MATERIALIZED (
SELECT ... FROM ... -- 复杂查询,物化一次复用
)
SELECT * FROM expensive_query WHERE ...
UNION ALL
SELECT * FROM expensive_query WHERE ...;
- MySQL 8.0:不支持MATERIALIZED/NOT MATERIALIZED提示。
- 面试要点:物化CTE可以优化复杂查询——计算一次,多次使用。
CTE vs 子查询 vs 临时表?
★★★★
- CTE:逻辑上存在,不物理存储(除非MATERIALIZED),作用域限于当前语句。
- 子查询:嵌套在SQL中,可读性差,不可复用。
- 临时表:物理存储(CREATE TEMPORARY TABLE),可跨语句使用,需要手动清理。
- 选型:简单场景用子查询,复杂/可读性要求高用CTE,跨语句复用用临时表。
- 面试要点:CTE是"可读性更好的子查询"。
递归CTE的深度控制和防止无限递归?
★★★★
- 深度限制:在递归部分添加level < N条件限制递归深度。
WITH RECURSIVE tree AS (
SELECT id, parent_id, 1 AS lvl FROM dept WHERE parent_id IS NULL
UNION ALL
SELECT d.id, d.parent_id, t.lvl + 1
FROM dept d JOIN tree t ON d.parent_id = t.id
WHERE t.lvl < 10 -- 最多递归10层
)
- PostgreSQL:max_recursive_worktable_factor参数控制递归工作量上限。
- MySQL:cte_max_recursion_depth参数(默认1000)。
CTE在数据清洗中的应用?
★★★★
- 去重:WITH deduped AS (SELECT *, ROW_NUMBER() OVER (PARTITION BY key ORDER BY update_time DESC) AS rn FROM raw_data) DELETE FROM raw_data WHERE id IN (SELECT id FROM deduped WHERE rn > 1)。
- 数据转换:WITH transformed AS (SELECT id, CASE WHEN ... END AS status FROM raw) INSERT INTO target SELECT * FROM transformed。
- ETL管道:多层CTE串联——WITH clean AS (...), validated AS (...), enriched AS (...) INSERT INTO target SELECT * FROM enriched。
MySQL 8.0的CTE限制?
★★★★
- 递归CTE限制:(1) 递归部分不能使用GROUP BY、ORDER BY、LIMIT;(2) 递归部分不能引用CTE多次;(3) 递归深度默认1000。
- PostgreSQL优势:(1) 递归部分可以使用GROUP BY、ORDER BY、LIMIT;(2) 支持物化CTE;(3) 递归深度更大。
- 面试要点:PostgreSQL的CTE功能比MySQL更完善。
三、JSONB与PostgreSQL高级(19-30)
PostgreSQL的JSONB类型?
★★★★★
- JSONB(Binary JSON):二进制格式存储JSON,写入时解析,查询时不需要重新解析。
- 与JSON区别:JSON是文本存储(每次查询都要解析),JSONB是二进制存储(写入时解析一次)。
- 性能对比:JSONB写入略慢(需要解析转换),但查询远快于JSON(无需重复解析+支持GIN索引)。
- 操作符:
- -> 返回JSON对象:data->'name' → "张三"
- ->> 返回文本:data->>'name' → 张三
- #> 路径提取:data#>'{address,city}' → "深圳"
- @> 包含:data->'tags' @> '["Java"]'
- ? 键存在:data?'email'
- 面试要点:JSONB是PostgreSQL的核心差异化特性,面试必考。
JSONB的索引?
★★★★★
CREATE INDEX idx_data_gin ON products USING GIN (data);
CREATE INDEX idx_data_tags ON products USING GIN ((data->'tags'));
- jsonb_path_ops:更紧凑的GIN索引,只支持@>操作符,索引更小更快。
CREATE INDEX idx_data_contains ON products USING GIN (data jsonb_path_ops);
- btree索引:可以对JSONB的某个字段建B树索引。
CREATE INDEX idx_data_price ON products ((data->>'price')::numeric);
- 面试要点:GIN索引是JSONB高性能查询的关键。
JSONB的查询和更新?
★★★★
SELECT * FROM users WHERE data->>'name' = '张三';
SELECT * FROM products WHERE data->'tags' @> '["Java"]';
SELECT data->'address'->>'city' AS city FROM users;
UPDATE users SET data = jsonb_set(data, '{phone}', '"13800138000"');
UPDATE users SET data = data || '{"status": "active"}'; -- 合并
UPDATE users SET data = data - 'temp_field'; -- 删除字段
- 面试要点:jsonb_set更新、||合并、-删除是三个核心操作。
JSONB vs MySQL JSON?
★★★★★
| 维度 | PostgreSQL JSONB | MySQL JSON |
| 存储 | 二进制(预解析) | 文本+校验 |
| 查询 | 支持GIN索引,快 | 需要Generated Column+索引 |
| 操作符 | 丰富(->/->>/@>/?) | JSON_EXTRACT/JSON_CONTAINS |
| 更新 | jsonb_set/jsonb_insert | JSON_SET/JSON_REPLACE |
| 全文检索 | JSONB+tsvector结合 | 不支持 |
| 面试要点 | PostgreSQL的JSONB远优于MySQL | MySQL JSON适合简单场景 |
PostgreSQL的全文检索?
★★★★
- 核心类型:tsvector(文档向量)+ tsquery(查询向量)。
- 创建全文索引:
ALTER TABLE articles ADD COLUMN tsv tsvector
GENERATED ALWAYS AS (to_tsvector('simple', title || ' ' || content)) STORED;
CREATE INDEX idx_tsv ON articles USING GIN(tsv);
SELECT *, ts_rank(tsv, query) AS rank
FROM articles, plainto_tsquery('Java 并发编程') query
WHERE tsv @@ query ORDER BY rank DESC;
- 中文分词:安装zhparser或pg_jieba插件。
- vs Elasticsearch:PG全文检索适合百万~千万级;亿级以上或复杂推荐场景仍需ES。
- 面试要点:中小规模全文检索PostgreSQL原生支持,不需要引入ES。
PostgreSQL的物化视图?
★★★★
CREATE MATERIALIZED VIEW mv_order_stats AS
SELECT product_id, SUM(quantity) AS total_qty, AVG(price) AS avg_price
FROM orders GROUP BY product_id;
REFRESH MATERIALIZED VIEW mv_order_stats; -- 全量刷新(锁表)
REFRESH MATERIALIZED VIEW CONCURRENTLY mv_order_stats; -- 增量刷新(不锁表,需要唯一索引)
- 定时刷新:pg_cron扩展或应用层定时任务。
- vs 普通视图:普通视图是虚拟表(每次查询重新计算),物化视图是物理存储(查询快但数据可能过期)。
- 面试要点:物化视图适合"查询复杂但数据更新不频繁"的报表场景。
PostgreSQL的五大索引类型?
★★★★
- B-tree(默认):等值/范围/排序查询,最常用。
- GIN(倒排索引):JSONB、数组、全文检索。适合"包含"查询。
- GiST(通用搜索树):地理空间(PostGIS)、范围类型、全文检索。
- SP-GiST(空间分区):四叉树、基数树等非平衡数据结构。
- BRIN(块范围索引):大表中按物理顺序存储的列(如时间戳),索引极小。
- 面试要点:B-tree覆盖90%场景,JSONB用GIN,地理位置用GiST,时序数据用BRIN。
PostgreSQL的MVCC实现?
★★★★★
- 与MySQL区别:MySQL通过undo log实现MVCC,PostgreSQL在表元组中直接存储xmin/xmax事务ID。
- xmin:插入该行的事务ID;xmax:删除/更新该行的事务ID(初始为0)。
- 可见性判断:事务ID < 当前事务的快照xmin,且xmax为0或xmax > 快照→可见。
- 更新=删除+插入:UPDATE操作标记旧行的xmax,插入新行(新的xmin)。
- 死元组(Dead Tuples):被标记删除的旧行占空间,VACUUM清理。
- VACUUM:(1) 自动VACUUM(autovacuum)——默认开启,阈值触发;(2) 手动VACUUM——维护窗口执行。
- 面试要点:PG的MVCC"更新=插入新行",频繁更新会导致表膨胀,需要VACUUM。
PostgreSQL的扩展生态?
★★★★
- PostGIS:地理空间数据类型和查询(GIS应用必备)。
- pg_stat_statements:SQL性能统计(找出慢查询)。
- pg_trgm:模糊搜索(三元组匹配,LIKE '%keyword%'走索引)。
- pg_cron:定时任务(类似Linux crontab)。
- citus:分布式PostgreSQL扩展(水平分片)。
- pgvector:向量搜索(AI应用的向量数据库),支持IVFFlat和HNSW索引。
- 面试要点:PostgreSQL的扩展生态是其核心竞争力。
pgvector向量搜索?
★★★★★
- 安装:CREATE EXTENSION vector。
- 表定义:CREATE TABLE documents (id SERIAL PRIMARY KEY, content TEXT, embedding vector(1536))。
- 索引:
CREATE INDEX ON documents USING ivfflat (embedding vector_cosine_ops) WITH (lists = 100);
CREATE INDEX ON documents USING hnsw (embedding vector_cosine_ops);
SELECT id, content, 1 - (embedding <=> $query_vector) AS similarity
FROM documents ORDER BY embedding <=> $query_vector LIMIT 10;
- vs 专用向量库:pgvector适合百万~千万级;亿级用Milvus/Pinecone。
- 面试要点:pgvector让PostgreSQL成为"一体化数据库"——关系+JSON+全文+向量。
PostgreSQL vs MySQL的选型?
★★★★★
| 维度 | MySQL | PostgreSQL |
| OLTP | 优秀(高并发读写) | 良好 |
| OLAP | 弱(复杂查询慢) | 强(窗口函数/CTE/物化视图) |
| JSON | 8.0增强但仍弱 | JSONB+GIN索引,极强 |
| GIS | 不支持 | PostGIS,业界标准 |
| 全文检索 | 不原生支持 | 原生tsvector/tsquery |
| 向量搜索 | 需外挂 | pgvector扩展 |
| 复制 | 主从复制成熟 | 逻辑复制+流复制 |
| 社区 | 国内更大 | 全球增长快 |
- 选型建议:高并发CRUD→MySQL;复杂分析+JSON+GIS→PostgreSQL;混合架构→两者互补。
- 面试要点:不是谁替代谁,而是各有所长。很多公司同时用两种数据库。
PostgreSQL的性能调优?
★★★★
- 连接池:PgBouncer(推荐)或Pgpool-II,减少连接创建开销。
- shared_buffers:设为物理内存的25%(如16GB内存→4GB)。
- effective_cache_size:设为物理内存的75%(指导查询优化器)。
- work_mem:排序/哈希操作的内存(默认4MB,复杂查询可调大)。
- 慢查询:pg_stat_statements记录SQL执行统计,找Top N慢查询。
- EXPLAIN ANALYZE:查看实际执行计划,关注Seq Scan(应走索引)和Nested Loop(大数据量应走Hash Join)。
四、SQL高级技巧(31-42)
EXISTS vs IN vs JOIN的性能对比?
★★★★★
- IN:先执行子查询得到列表,再在外表中匹配。适合子查询结果集小的情况。
- EXISTS:对外表每行执行子查询,找到匹配就停止。适合外表小、子查询大的情况。
- JOIN:将两个表关联。适合需要返回两个表的字段。
- 规则:子查询结果集小→IN;外表小→EXISTS;需要返回两个表的列→JOIN。
- 面试要点:没有绝对的优劣,取决于数据分布。现代优化器通常能自动选择最优方案。
行转列(PIVOT)?
★★★★
-- 原始数据:student, subject, score
-- 目标:student, 语文, 数学, 英语
SELECT student,
MAX(CASE WHEN subject='语文' THEN score END) AS 语文,
MAX(CASE WHEN subject='数学' THEN score END) AS 数学,
MAX(CASE WHEN subject='英语' THEN score END) AS 英语
FROM scores GROUP BY student;
- PostgreSQL原生:crosstab()函数(tablefunc扩展)。
- MySQL:只能用CASE WHEN方式。
- 面试要点:行转列是SQL面试的经典题型。
列转行(UNPIVOT)?
★★★★
-- 原始:student, 语文, 数学, 英语
-- 目标:student, subject, score
SELECT student, subject, score FROM (
SELECT student,
UNNEST(ARRAY['语文','数学','英语']) AS subject,
UNNEST(ARRAY[语文, 数学, 英语]) AS score
FROM wide_table
) t; -- PostgreSQL
-- MySQL用UNION ALL
SELECT student, '语文' AS subject, 语文 AS score FROM wide_table
UNION ALL
SELECT student, '数学', 数学 FROM wide_table
UNION ALL
SELECT student, '英语', 英语 FROM wide_table;
分组拼接(STRING_AGG/GROUP_CONCAT)?
★★★★
SELECT dept, STRING_AGG(name, ',') AS members
FROM employees GROUP BY dept;
- MySQL:GROUP_CONCAT(name SEPARATOR ',')。
- 注意:结果有长度限制(MySQL默认1024字节),需要调大group_concat_max_len。
删除重复数据?
★★★★★
-- 方法一:窗口函数(推荐)
DELETE FROM users WHERE id IN (
SELECT id FROM (
SELECT id, ROW_NUMBER() OVER (PARTITION BY email ORDER BY id) AS rn
FROM users
) t WHERE rn > 1
);
-- 方法二:自连接
DELETE u1 FROM users u1 JOIN users u2
ON u1.email = u2.email AND u1.id > u2.id;
- 面试要点:窗口函数方式最清晰,能保留指定的一条(按id最小或其他条件)。
分页查询的优化?
★★★★★
- 传统分页:SELECT * FROM orders ORDER BY id LIMIT 10 OFFSET 100000。
- 问题:OFFSET大时,数据库需要扫描并丢弃前100000行,非常慢(深分页问题)。
- 游标分页(推荐):SELECT * FROM orders WHERE id > 上一页最后一条id ORDER BY id LIMIT 10。
- 覆盖索引分页:SELECT * FROM orders JOIN (SELECT id FROM orders ORDER BY create_time LIMIT 10 OFFSET 100000) t ON orders.id = t.id。
- 面试要点:深分页用游标分页或覆盖索引优化,不要用大OFFSET。
SQL的执行顺序?
★★★★★
- SQL逻辑执行顺序:FROM→JOIN→WHERE→GROUP BY→HAVING→SELECT→窗口函数→DISTINCT→ORDER BY→LIMIT。
- 注意:别名在SELECT中定义,不能在WHERE中使用,但可以在ORDER BY中使用。
- 面试要点:理解执行顺序才能写出正确的SQL。
执行计划(EXPLAIN)怎么看?
★★★★★
- EXPLAIN:显示查询计划(不执行)。
- EXPLAIN ANALYZE:执行查询并显示实际耗时。
- 关键指标:(1) Seq Scan(全表扫描)→应该走索引;(2) Index Scan(索引扫描)→好;(3) Bitmap Scan(位图扫描)→索引+回表;(4) Nested Loop→适合小表驱动大表;(5) Hash Join→适合大表关联;(6) Sort→排序,检查是否可利用索引避免。
- rows预估 vs actual:差距大说明统计信息不准确,需要ANALYZE。
- 面试要点:能读EXPLAIN ANALYZE的输出,找出性能瓶颈。
SQL注入防御?
★★★★★
- 参数化查询(PreparedStatement):永远不要拼接SQL字符串。
// 正确
PreparedStatement ps = conn.prepareStatement("SELECT * FROM users WHERE name = ?");
ps.setString(1, userName);
// 错误(SQL注入)
String sql = "SELECT * FROM users WHERE name = '" + userName + "'";
- MyBatis:#{}预编译安全,${}直接拼接不安全。
- 防御层级:(1) 参数化查询;(2) 输入校验(白名单);(3) 最小权限(只给SELECT权限);(4) WAF拦截。
- 面试要点:#{} vs ${}的区别和SQL注入防御是面试必考。
慢SQL的排查和优化流程?
★★★★★
- 排查步骤:(1) 开启慢查询日志(long_query_time=1秒);(2) 找到慢SQL;(3) EXPLAIN分析执行计划;(4) 定位瓶颈(全表扫描/文件排序/临时表)。
- 优化策略:(1) 添加索引(WHERE/ORDER BY/GROUP BY字段);(2) 覆盖索引(避免回表);(3) 查询改写(避免SELECT *、子查询改JOIN);(4) 分页优化(游标分页);(5) 分库分表(单表数据量过大)。
- 面试要点:能描述完整的慢SQL排查流程——日志→EXPLAIN→索引→改写→分表。
跨数据库查询(DBLink/FDW)?
★★★★
- PostgreSQL FDW(Foreign Data Wrapper):访问外部数据源(其他PG/MySQL/Redis/ES)。
CREATE EXTENSION postgres_fdw;
CREATE SERVER remote_db FOREIGN DATA WRAPPER postgres_fdw OPTIONS (host '192.168.1.100', dbname 'analytics');
CREATE USER MAPPING FOR current_user SERVER remote_db OPTIONS (user 'reader', password 'xxx');
IMPORT FOREIGN SCHEMA public LIMIT TO (orders) FROM SERVER remote_db INTO local_schema;
- 场景:跨库关联查询、数据联邦。
- MySQL:FEDERATED引擎类似功能,但不如FDW灵活。
SQL面试必会题总结?
★★★★★
- 必会1:窗口函数排名(ROW_NUMBER/RANK/DENSE_RANK)。
- 必会2:连续登录/连续事件(日期减行号分组法)。
- 必会3:Top-N(分区+排序+限制)。
- 必会4:累计求和/移动平均(SUM OVER ORDER BY)。
- 必会5:环比同比增长率(LAG/LEAD)。
- 必会6:递归CTE树形查询(组织架构/评论树)。
- 必会7:行转列/列转行(CASE WHEN / UNION ALL)。
- 必会8:删除重复数据(ROW_NUMBER+DELETE)。