聚合查询：降采样与时间窗口分析

概述

在时序数据场景中，降采样与聚合计算是核心的数据处理技术。通过降低数据采样频率并将多个数据点合并为代表性数值，能够有效减少计算和传输开销，特别适用于长期趋势分析和可视化展示。

应用价值

• 性能优化：减少数据处理量，提升查询效率
• 趋势分析：保留关键数据特征，突出长期变化规律
• 资源节约：降低存储、传输和计算资源消耗
• 可视化友好：生成适合图表展示的数据密度

典型应用场景：工业物联网监控、系统性能指标分析、业务数据趋势展示等。

时间窗口聚合查询

场景说明

以传感器数据为例，采集频率为1秒级别。当需要展示最近一天或一个月的数据趋势时，原始数据点过于密集会导致：

• 数据传输量过大
• 客户端渲染性能下降
• 图表可读性差（点距过密）

时间窗口聚合通过数据分组和计算，有效解决上述问题。

数据表结构示例

Table schema 如下：

CREATE TABLE sensor_info (
  ts TIMESTAMP(9) NOT NULL DEFAULT CURRENT_TIMESTAMP,
  sn INT32 NOT NULL,
  speed DOUBLE,
  temperature DOUBLE,
  timestamp KEY (ts))
  PARTITION BY HASH(sn) PARTITIONS 2
  ENGINE=TimeSeries
  with (ttl='10d');

查询示例

分钟级聚合分析

查询设备sn=1的温度数据，按1分钟窗口计算平均值

SELECT 
  date_bin('1 minutes', ts) as timepoint, 
  avg(temperature) as avg_temp 
FROM sensor_info 
WHERE sn = 1
GROUP BY timepoint

天级聚合分析

查询设备sn=1的温度数据，按1天窗口计算最大值

SELECT 
  date_bin('1 day', ts) as timepoint, 
  max(temperature) as max_temp 
FROM sensor_info 
WHERE sn = 1
GROUP BY timepoint

更多函数说明：

• 聚合函数
• 时间与日期函数
• 数学函数
• 插值函数
• Json 函数