DataStore 提供了全面的聚合和窗口函数支持,充分利用 ClickHouse 强大的 SQL 聚合能力。
基础聚合
内置方法
| Method | SQL 对应项 | 描述 |
|---|---|---|
sum() |
SUM() |
求和值 |
mean() |
AVG() |
平均值 |
count() |
COUNT() |
统计非 NULL 值的数量 |
min() |
MIN() |
最小值 |
max() |
MAX() |
最大值 |
median() |
MEDIAN() |
中位数 |
std() |
stddevPop() |
标准差 |
var() |
varPop() |
方差 |
nunique() |
COUNT(DISTINCT) |
统计唯一值的数量 |
示例:
from pathlib import Path
Path("sales.csv").write_text("""\
region,product,category,amount,quantity,price,date,order_id
East,Widget,Electronics,5200,10,120,2024-01-15,1001
West,Gadget,Electronics,800,5,160,2024-02-20,1002
East,Gizmo,Home,6500,3,100,2024-03-10,1003
North,Widget,Electronics,4500,6,150,2024-06-18,1004
West,Gadget,Electronics,2000,8,250,2024-09-14,1005
""")
from chdb import datastore as pd
ds = pd.read_csv("sales.csv")
# 单列聚合
total = ds['amount'].sum()
average = ds['amount'].mean()
count = ds['amount'].count()
# 所有聚合操作
print(ds['amount'].sum()) # 总和
print(ds['amount'].mean()) # 平均值
print(ds['amount'].std()) # 标准差
print(ds['amount'].median()) # 中位数
print(ds['amount'].nunique()) # 唯一值数量GroupBy 聚合
单一聚合
# 分组并聚合
result = ds.groupby('category')['amount'].sum()
result = ds.groupby('region')['sales'].mean()多个聚合
# 字典语法
result = ds.groupby('category').agg({
'amount': 'sum',
'quantity': 'mean',
'order_id': 'count'
})
# 每列的聚合列表
result = ds.groupby('category').agg({
'amount': ['sum', 'mean', 'max'],
'quantity': ['sum', 'count']
})具名聚合
# 命名聚合(pandas 风格)
result = ds.groupby('region').agg(
total_amount=('amount', 'sum'),
avg_quantity=('quantity', 'mean'),
order_count=('order_id', 'count'),
max_price=('price', 'max')
)多个 GroupBy 字段
# 按多列分组
result = ds.groupby(['region', 'category']).agg({
'amount': 'sum',
'quantity': 'sum'
})统计聚合
| 方法 | SQL 对应函数 | 说明 |
|---|---|---|
quantile(q) |
quantile(q) |
第 q 分位数 (0-1) |
skew() |
skewPop() |
偏度 |
kurt() |
kurtPop() |
峰度 |
corr() |
corr() |
相关性 |
cov() |
covar() |
协方差 |
sem() |
- | 均值的标准误 |
示例:
# 分位数
q50 = ds['amount'].quantile(0.5) # 中位数
q95 = ds['amount'].quantile(0.95) # 第95百分位数
# 多个分位数
quantiles = ds['amount'].quantile([0.25, 0.5, 0.75])
# 列之间的相关性
correlation = ds[['sales', 'marketing_spend']].corr()条件聚合
ClickHouse 特有的按条件聚合函数。
| Function | ClickHouse | Description |
|---|---|---|
sum_if(cond) |
sumIf() |
在满足条件时求和 |
count_if(cond) |
countIf() |
在满足条件时计数 |
avg_if(cond) |
avgIf() |
在满足条件时求平均值 |
min_if(cond) |
minIf() |
在满足条件时求最小值 |
max_if(cond) |
maxIf() |
在满足条件时求最大值 |
示例:
from chdb.datastore import F, Field
# 仅对高价值订单求和
high_value_sum = F.sum_if(Field('amount'), Field('amount') > 1000)
# 统计活跃用户数
active_count = F.count_if(Field('status') == 'active')
# 在 groupby 上下文中
result = ds.groupby('region').agg({
'total': ('amount', 'sum'),
'high_value': ('amount', F.sum_if(Field('amount') > 1000)),
})收集类聚合
ClickHouse 特有的值收集函数。
| Function | ClickHouse | Description |
|---|---|---|
group_array() |
groupArray() |
收集为数组 |
group_uniq_array() |
groupUniqArray() |
将唯一值收集为数组 |
group_concat(sep) |
groupConcat() |
拼接字符串 |
top_k(n) |
topK(n) |
频率最高的前 K 个值 |
any() |
any() |
任意值 |
any_last() |
anyLast() |
最后一个值 |
first_value() |
first_value() |
按顺序的第一个值 |
last_value() |
last_value() |
按顺序的最后一个值 |
示例:
from chdb.datastore import F, Field
# 按类别收集所有标签
result = ds.groupby('category').agg({
'all_tags': ('tag', F.group_array()),
'unique_tags': ('tag', F.group_uniq_array())
})
# 获取各区域排名前 5 的产品
result = ds.groupby('region').agg({
'top_products': ('product_id', F.top_k(5))
})窗口函数
排名函数
| 函数 | SQL | 描述 |
|---|---|---|
row_number() |
ROW_NUMBER() |
按顺序编号的行号 |
rank() |
RANK() |
有空缺的排名 |
dense_rank() |
DENSE_RANK() |
无空缺的排名 |
ntile(n) |
NTILE(n) |
划分为 n 个桶 |
percent_rank() |
PERCENT_RANK() |
百分位排名 (0-1) |
cume_dist() |
CUME_DIST() |
累积分布 |
示例:
from chdb.datastore import F, Field
# 添加行号
ds['row_num'] = F.row_number().over(order_by='date')
# 在分组内排名
ds['rank'] = F.rank().over(
partition_by='category',
order_by='sales'
)
# 密集排名(无空缺)
ds['dense_rank'] = F.dense_rank().over(
partition_by='region',
order_by=('revenue', 'desc')
)
# 划分为四分位数
ds['quartile'] = F.ntile(4).over(order_by='score')值函数
| 函数 | SQL | 描述 |
|---|---|---|
lag(n) |
LAG(col, n) |
前一行的值 |
lead(n) |
LEAD(col, n) |
后一行的值 |
first_value() |
FIRST_VALUE() |
窗口中的第一个值 |
last_value() |
LAST_VALUE() |
窗口中的最后一个值 |
nth_value(n) |
NTH_VALUE(col, n) |
窗口中的第 n 个值 |
示例:
# 前一个值和后一个值
ds['prev_price'] = F.lag('price', 1).over(order_by='date')
ds['next_price'] = F.lead('price', 1).over(order_by='date')
# 分区中的第一个值和最后一个值
ds['first_order'] = F.first_value('amount').over(
partition_by='customer_id',
order_by='date'
)累计函数
| 方法 | 描述 |
|---|---|
cumsum() |
累计和 |
cummax() |
累计最大值 |
cummin() |
累计最小值 |
cumprod() |
累计乘积 |
diff(n) |
与前 n 行的差值 |
pct_change(n) |
与前 n 行相比的百分比变化 |
示例:
# 累计计算
ds['running_total'] = ds['amount'].cumsum()
ds['running_max'] = ds['amount'].cummax()
# 按分组计算
ds['group_cumsum'] = ds.groupby('category')['amount'].cumsum()
# 环比
ds['daily_diff'] = ds['sales'].diff(1)
ds['pct_change'] = ds['sales'].pct_change(1)滚动窗口
# 滚动窗口聚合
ds['rolling_avg'] = ds['price'].rolling(window=7).mean()
ds['rolling_sum'] = ds['amount'].rolling(window=30).sum()
ds['rolling_std'] = ds['value'].rolling(window=10).std()
# 扩展窗口
ds['expanding_max'] = ds['price'].expanding().max()
ds['expanding_sum'] = ds['amount'].expanding().sum()F 命名空间
F 命名空间用于访问 ClickHouse 函数。
Import
from chdb.datastore import F, Field使用 F 函数
# 聚合
F.sum(Field('amount'))
F.avg(Field('price'))
F.count(Field('id'))
# 统计
F.quantile(Field('value'), 0.95)
F.stddev_pop(Field('score'))
F.corr(Field('x'), Field('y'))
# 条件
F.sum_if(Field('amount'), Field('status') == 'completed')
F.count_if(Field('is_active'))
# 字符串
F.length(Field('name'))
F.upper(Field('text'))
# 日期/时间
F.to_year(Field('date'))
F.date_diff('day', Field('start'), Field('end'))
# 数组
F.array_sum(Field('values'))
F.array_avg(Field('scores'))
# 数学
F.abs(Field('delta'))
F.round(Field('price'), 2)
F.floor(Field('value'))
F.ceil(Field('value'))结合窗口函数使用 F
# 定义窗口帧
window = F.window(
partition_by='category',
order_by='date',
rows_between=(-7, 0) # 当前行及前7行
)
ds['rolling_avg'] = F.avg(Field('price')).over(window)常见聚合方式
每组 Top N
# 按销售额列出每个类别排名前 3 的产品
result = (ds
.assign(rank=F.row_number().over(
partition_by='category',
order_by=('sales', 'desc')
))
.filter(ds['rank'] <= 3)
)累计值
# 销售额累计总和
ds['running_total'] = F.sum('amount').over(
order_by='date',
rows_between=(None, 0) # 截至当前行的所有行
)移动平均
# 7天移动平均
ds['ma_7'] = F.avg('price').over(
order_by='date',
rows_between=(-6, 0)
)同比对比
# 同比比较
ds['prev_year_sales'] = F.lag('sales', 12).over(
partition_by='product_id',
order_by='month'
)
ds['yoy_growth'] = (ds['sales'] - ds['prev_year_sales']) / ds['prev_year_sales']百分位排名
# 按客户总消费额排名
ds['spend_percentile'] = F.percent_rank().over(order_by='total_spend')聚合方法汇总
| 类别 | 方法 |
|---|---|
| 基础 | sum, mean, count, min, max, median |
| 统计 | std, var, quantile, skew, kurt, corr, cov |
| 条件 | sum_if, count_if, avg_if, min_if, max_if |
| 收集 | group_array, group_uniq_array, group_concat, top_k |
| 排名 | row_number, rank, dense_rank, ntile, percent_rank |
| 值函数 | lag, lead, first_value, last_value, nth_value |
| 累计 | cumsum, cummax, cummin, cumprod, diff, pct_change |
| 滚动 | rolling().mean/sum/std/..., expanding().mean/sum/... |