目录
前言：为什么要掌握 ROWS BETWEEN？
当我们处理数据分析或报表生成时，单纯的聚合函数往往无法满足复杂的业务需求。作为开发者的你，可能经常遇到这样的挑战：“如何计算截止到当前日期的累计销售额？”或者“如何平滑某商品价格在时间序列上的波动？”
这时候，仅仅使用 INLINECODE0b075472 是不够的，因为它会把数据压缩成一行。为了保持行级的详细数据，同时又能进行跨行计算，我们需要借助 SQL 中非常强大的窗口函数。而今天我们要深入探讨的，就是窗口函数中定义“计算范围”的核心子句——INLINECODE487cf8b5。
在 2026 年的开发环境中，随着数据量的爆发和实时计算的需求，掌握 INLINECODE8b5e6af2 不仅仅是写出一行 SQL 代码，更是理解数据流、优化查询性能以及在 AI 辅助编程中精准描述业务逻辑的关键。在这篇文章中，我们将结合最新的技术趋势，通过实际案例，探索如何使用 INLINECODE36b690cd 来灵活控制窗口计算的边界。
什么是 ROWS BETWEEN？
当我们使用 INLINECODE10d8069d 子句来定义窗口函数时，SQL 默认的行为可能会让我们感到困惑。例如，在使用 INLINECODEdb316bc7 时，如果我们不显式指定范围，不同的数据库甚至可能有不同的默认处理方式，通常情况下它会对整个分区进行聚合。
ROWS BETWEEN 子句赋予了我们对物理行的绝对控制权。它允许我们在分区内部，明确指定函数计算的“窗口框架”的起点和终点。简单来说，它回答了这样一个问题：“在计算当前行的结果时，我要把哪几行纳入考虑范围？”
核心概念：窗口框架 vs. 分区
在深入之前，我们需要厘清概念。分区是由 INLINECODE854b18db 定义的，它将数据切分成不同的块（例如按部门切分）。而窗口框架则是分区的一个动态子集。INLINECODE724c051b 就是在这个分区内，画出一个更小的、随当前行移动的“框”。
2026 视角：现代开发中的 ROWS BETWEEN
在我们探讨具体语法之前，让我们站在 2026 年的技术栈上，看看为什么这个旧语法依然焕发新生，并且如何与现代开发工具结合。
1. AI 辅助编程中的精准描述
在使用 Cursor、GitHub Copilot 或 Windsurf 等 AI IDE 时，我们发现，精确的技术术语能极大地提升 AI 代码生成的准确率。如果我们只说“算个总和”，AI 可能会生成简单的 INLINECODE6ea5a05a。但如果我们对 AI 说：“计算一个累计总和，使用 INLINECODE689cdcf3”，AI 就能精确理解我们要的是行级保留的窗口计算，而不是聚合后的数据。
2. 数据管道中的性能考量
在当今的云原生数据仓库（如 Snowflake, BigQuery）或实时流处理引擎（如 Flink SQL）中，窗口函数的计算非常消耗内存（有状态计算）。理解 ROWS BETWEEN 的边界，意味着我们能更精确地控制状态数据的生命周期，从而优化查询性能。现代数据库优化器也非常依赖显式的范围定义来消除歧义。
语法详解与关键字
让我们先来看一下 INLINECODE92aad01e 的标准语法结构。在 INLINECODE27f1bb5d 子句中，我们可以这样写：
-- 标准 SQL 语法结构
SELECT
column1,
function_name(column2) OVER (
PARTITION BY group_column
ORDER BY sort_column
ROWS BETWEEN AND
) AS new_column
FROM table_name;
这里的 INLINECODE2c0ccbbc 和 INLINECODEf8f9cf0b 是我们需要重点关注的部分。SQL 为我们提供了几个非常有用的关键字来定义边界：
1. 边界关键字
-
UNBOUNDED PRECEDING：这是最远的起点。它表示“分区内的第一行”。应用场景：当你想计算从数据开始到现在所有的累计总和时（例如：YTD 销售额），这就是你的起点。 -
UNBOUNDED FOLLOWING：这是最远的终点。它表示“分区内的最后一行”。应用场景：相对少见，但在金融领域的“剩余价值”计算或逆向累计时非常有用。 -
CURRENT ROW：表示当前正在处理的那一行。应用场景：计算移动平均时，通常包含当前行。
2. 数值偏移
除了使用上述关键字，我们还可以使用具体的数字来进行相对定位。这让我们的计算更加灵活：
- INLINECODE2faeeda2：当前行之前的 N 行。例如：INLINECODE4522039b 就是“上一行”。这在计算“当月 + 上月”的环比数据时非常有用。
- INLINECODE3d33761b：当前行之后的 M 行。例如：INLINECODE890ab613 就是“下一行”。这在处理缺失值填充时非常强大。
常用的组合规范与实战案例
为了让你更直观地理解，我们整理了一些最常用的组合模式，并配合了生产环境中的具体代码。让我们先创建测试数据。
准备工作：创建测试数据
-- 步骤 1：创建表结构
CREATE TABLE department (
id INTEGER PRIMARY KEY,
name VARCHAR(20),
salary INTEGER,
profession VARCHAR(20)
);
-- 步骤 2：插入模拟数据
INSERT INTO department VALUES (1, ‘Sakshi‘, 48000, ‘Doctor‘);
INSERT INTO department VALUES (2, ‘Rutik‘, 10000, ‘Data Engineer‘);
INSERT INTO department VALUES (3, ‘Yash‘, 55000, ‘Loco Pilot‘);
INSERT INTO department VALUES (4, ‘Aman‘, 46000, ‘Doctor‘);
INSERT INTO department VALUES (5, ‘Amol‘, 62000, ‘Backend Developer‘);
场景 1：计算累计总和
需求： 计算截止到每个员工为止，公司一共支出了多少薪水。
解决方案： 我们需要从分区的第一行 (INLINECODE3894b04f) 开始，一直累加到当前行 (INLINECODEc8e88ac6)。
SELECT
id,
name,
salary,
-- 计算逻辑：从第一行加到当前行
SUM(salary) OVER (
ORDER BY id -- 必须排序，否则“当前行”的定义是随机的
ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW
) AS running_total_salary
FROM department;
关键点： 这是“运行总计”的标准写法。在现代报表中，这直接对应着财务报表中的“累计支出”行。
场景 2：移动平均线与数据平滑
需求： 我们希望计算“相邻三行薪资的平均值”以平滑数据。
解决方案： 使用相对偏移量。我们想要看“前一行”和“后一行”。
SELECT
id,
name,
salary,
-- 计算逻辑：(前1行 + 当前行 + 后1行) 的总和
SUM(salary) OVER (
ORDER BY id
-- 范围：从上一行开始，到下一行结束
ROWS BETWEEN 1 PRECEDING AND 1 FOLLOWING
) AS moving_3row_sum,
-- 计算平均值
AVG(salary) OVER (
ORDER BY id
ROWS BETWEEN 1 PRECEDING AND 1 FOLLOWING
) AS moving_3row_avg
FROM department;
实战技巧： 在时间序列分析（如股票移动平均线、IoT 传感器数据去噪）中，这是最常用的模式。在 2026 年，这种计算经常被下推到数据库层直接执行，以减少 Python/Node.js 层的数据处理压力。
场景 3：缺失值填充
这是一个在数据清洗中非常实用但在教程中常被忽略的技巧。
需求： 假设 INLINECODEb086b8c8 字段在某些行是 INLINECODEe5e02977，我们希望用“前一个非空值”来填充它（Last Observation Carried Forward）。
解决方案： 我们可以利用 INLINECODEafe6534f 结合 INLINECODE653ab8b4 或 LAST_VALUE 函数来实现。
-- 模拟一些 NULL 值的情况
-- 这里我们假设 Aman 的工资暂时未知为 NULL
UPDATE department SET salary = NULL WHERE id = 4;
SELECT
id,
name,
salary,
-- 这个技巧的核心在于忽略 NULL 的累加最大值，或者使用 LAST_VALUE
-- 这里展示一个简单的逻辑：取最近一行有值的记录（简化版逻辑）
-- 在实际生产中，通常配合 IGNORE NULLS 使用 (PostgreSQL, Oracle 等支持)
LAST_VALUE(salary) OVER (
ORDER BY id
ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW
) AS filled_salary
FROM department;
注意：在支持 IGNORE NULLS 的现代 SQL 方言中，这是处理稀疏数据的杀手级功能。
深入解析：ROWS vs RANGE
作为经验丰富的开发者，我们必须区分 INLINECODE073ae930 和 INLINECODE5e2fb045，这是面试和生产环境中的常见陷阱。
- ROWS (物理行)：关注具体的数据行。例如
1 PRECEDING就是物理顺序上的前一行，即使它们的值相同。 - RANGE (逻辑值)：关注值的范围。例如，如果两行数据的日期都是 ‘2026-01-01‘，
RANGE会把它们视为同一个逻辑点。
实战经验分享： 在我们最近的一个电商大屏项目中，使用 INLINECODE26bf2357 导致了一个隐蔽的 Bug。由于同一秒内有多个订单，INLINECODE52d087e8 包含了这一秒内的所有订单，导致计算出的“一秒前销售额”远超预期。切换为 INLINECODE9259ce4c 后，问题迎刃而解。作为默认规则，处理时间序列分析时，除非你需要处理“平局”，否则优先使用 INLINECODE0843859e，它的行为更具可预测性。
性能优化与最佳实践
在 2026 年，数据规模通常都是 TB 级别的。ROWS BETWEEN 虽然强大，但如果不注意，极易引发性能灾难。
1. 排序的重要性
你可能注意到了，我在所有的 INLINECODEbc9a95e9 子句中都加了 INLINECODE1dd5beed。
经验法则： 只要使用 INLINECODE28a3ed15，几乎总是应该伴随着 INLINECODEebcd508c。没有 ORDER BY，数据库无法定义“上一行”或“下一行”，很多数据库会默认计算整个分区的聚合，不仅结果不对，而且极其消耗内存。
2. 索引策略与列式存储
- 传统数据库： 确保
ORDER BY后面的列有索引。这能帮助数据库避免全表扫描和昂贵的排序操作。 - 现代云数仓： 如果你在使用 ClickHouse, BigQuery 或 Snowflake，它们通常基于列式存储。利用 INLINECODE7639cab4 或 INLINECODEf938a1b1 来将相关的物理行存储在一起。当 INLINECODE0769b238 的窗口范围较小（例如 INLINECODEaca9bce1）时，数据库只需要从磁盘读取少量的相邻 Block，这能带来数量级的性能提升。
3. 监控与可观测性
在复杂的查询中，窗口函数往往是耗时大户。建议使用数据库的执行计划分析工具（如 INLINECODE89c02390）。如果你看到大量的 INLINECODEee40ddc5 操作或者 Sort 操作占用了高 CPU 或高内存，考虑是否可以通过数据预处理或者缩小窗口范围来优化。
总结与展望
通过这篇文章，我们不仅回顾了 ROWS BETWEEN 的基础语法，更结合了 2026 年的现代开发视角，探讨了它在 AI 编程、实时数据处理和性能优化中的地位。
让我们回顾一下关键点：
- ROWS BETWEEN 用于定义窗口函数计算的物理行范围，是保持行级细节的同时进行聚合的关键。
- UNBOUNDED PRECEDING 是计算累计总和的起点。
- ORDER BY 是使用窗口框架的前提条件，它决定了“前”和“后”的物理顺序。
- ROWS vs RANGE：大多数物理行计算场景下，优先选择
ROWS以避免逻辑陷阱。 - 性能：在现代数据架构中，配合索引和聚簇键使用，才能真正发挥窗口函数的威力。
掌握这个工具后，你会发现原本需要复杂的应用层代码或多次数据库查询才能完成的报表逻辑（如 YTD、移动平均、排名），现在只需要一条优雅的 SQL 语句就能搞定。下次当你需要处理跨越多行的计算时，不妨试试 ROWS BETWEEN。