窗口函数之排序函数详细解读及示例

窗口排序函数详细解读及示例

窗口排序函数是 SQL 中用于对窗口内的数据进行排序并赋予序号的一类函数。本文详细解读 ROW_NUMBER()、RANK()、DENSE_RANK()、NTILE()、PERCENT_RANK() 和 CUME_DIST() 的用法、区别及实战示例。

📑 目录

[1. 窗口排序函数概述](#1. 窗口排序函数概述)
[2. ROW_NUMBER()：唯一连续序号](#2. ROW_NUMBER()：唯一连续序号)
[3. RANK()：跳跃排名](#3. RANK()：跳跃排名)
[4. DENSE_RANK()：连续排名](#4. DENSE_RANK()：连续排名)
[5. NTILE()：分桶排名](#5. NTILE()：分桶排名)
[6. PERCENT_RANK()：相对百分比排名](#6. PERCENT_RANK()：相对百分比排名)
[7. CUME_DIST()：累积分布](#7. CUME_DIST()：累积分布)
[8. 六大函数对比总结](#8. 六大函数对比总结)
[9. 综合实战示例](#9. 综合实战示例)

1. 窗口排序函数概述

窗口排序函数属于窗口函数的一种，其基本语法如下：

sql 复制代码

函数名() OVER (
    PARTITION BY 分组字段   -- 可选，指定分区
    ORDER BY 排序字段       -- 必选，指定排序规则
)

函数	返回值	特点
`ROW_NUMBER()`	从 1 开始的连续整数	每个分区内序号唯一且连续，不分并列
`RANK()`	跳跃排名	并列时序号相同，但下一个序号跳跃（如 1,1,3）
`DENSE_RANK()`	连续排名	并列时序号相同，下一个序号连续（如 1,1,2）
`NTILE(n)`	1 到 n 的桶号	将分区内数据尽可能均匀地分成 n 个桶
`PERCENT_RANK()`	0 到 1 之间	相对排名：`(RANK-1) / (总行数-1)`
`CUME_DIST()`	0 到 1 之间	累积分布：`<=当前值的行数 / 总行数`

2. ROW_NUMBER()：唯一连续序号

含义

为每一行分配一个唯一的、连续的序号，从 1 开始。即使排序字段的值相同，也会随机（或根据其他列）赋予不同的序号。

语法

sql 复制代码

ROW_NUMBER() OVER (PARTITION BY col1 ORDER BY col2)

适用场景

分组 TopN（如每个部门薪资前三）
数据去重（保留每组第一条）
生成行号

示例

表结构 ：emp(emp_id, dept, salary)

emp_id	dept	salary
1	A	1000
2	A	2000
3	A	2000
4	B	1500

SQL：

sql 复制代码

SELECT emp_id, dept, salary,
       ROW_NUMBER() OVER (PARTITION BY dept ORDER BY salary DESC) AS rn
FROM emp;

结果：

emp_id	dept	salary	rn
2	A	2000	1
3	A	2000	2
1	A	1000	3
4	B	1500	1

注意：A部门中薪资相同（2000）的两条记录分别获得了 1 和 2，没有并列。

3. RANK()：跳跃排名

含义

排序后，相同值的行获得相同序号，但下一个不同值的序号会跳过中间的数量。例如：1, 1, 3, 4...

语法

sql 复制代码

RANK() OVER (PARTITION BY col1 ORDER BY col2)

适用场景

需要处理并列且允许名次跳跃的排名（如比赛排名）
财务或学术排名（如奖学金评定）

示例

SQL：

sql 复制代码

SELECT emp_id, dept, salary,
       RANK() OVER (PARTITION BY dept ORDER BY salary DESC) AS rk
FROM emp;

结果：

emp_id	dept	salary	rk
2	A	2000	1
3	A	2000	1
1	A	1000	3
4	B	1500	1

注意：两个 2000 并列第 1，下一个行获得第 3 名（跳过了 2）。

4. DENSE_RANK()：连续排名

含义

排序后，相同值的行获得相同序号，但下一个不同值的序号是连续的（不跳跃）。例如：1, 1, 2, 3...

语法

sql 复制代码

DENSE_RANK() OVER (PARTITION BY col1 ORDER BY col2)

适用场景

需要处理并列但希望名次连续的场景（如业绩等级评定）
压缩排名，不产生空洞

示例

SQL：

sql 复制代码

SELECT emp_id, dept, salary,
       DENSE_RANK() OVER (PARTITION BY dept ORDER BY salary DESC) AS dr
FROM emp;

结果：

emp_id	dept	salary	dr
2	A	2000	1
3	A	2000	1
1	A	1000	2
4	B	1500	1

注意：两个 2000 并列第 1，下一个行获得第 2 名（连续）。

5. NTILE()：分桶排名

含义

将分区内的数据尽可能均匀地分成 n 个桶（组），并为每行分配一个桶号（1 到 n）。若无法均匀分配，前若干桶会多一行。

语法

sql 复制代码

NTILE(n) OVER (PARTITION BY col1 ORDER BY col2)

适用场景

数据分箱（如将用户按消费金额分成高、中、低三档）
采样（取第 1 桶数据）
并行处理任务划分

示例

SQL（将 A 部门 4 条数据分成 3 个桶）：

sql 复制代码

SELECT emp_id, dept, salary,
       NTILE(3) OVER (PARTITION BY dept ORDER BY salary DESC) AS bucket
FROM emp;

结果：

emp_id	dept	salary	bucket
2	A	2000	1
3	A	2000	1
1	A	1000	2
(假设第4条)	A	900	3

注意：4 行分 3 桶，桶 1 有 2 行，桶 2 和桶 3 各有 1 行。排序决定了行进入哪个桶。

6. PERCENT_RANK()：相对百分比排名

含义

计算某行的相对排名位置，公式为：(RANK - 1) / (总行数 - 1)。返回值范围 [0, 1]。通常用来表示"超过百分之多少的行"。

语法

sql 复制代码

PERCENT_RANK() OVER (PARTITION BY col1 ORDER BY col2)

适用场景

计算百分位数（如成绩超过 90% 的同学）
数据分布分析

示例

SQL：

sql 复制代码

SELECT emp_id, dept, salary,
       RANK() OVER w AS rk,
       PERCENT_RANK() OVER w AS pr
FROM emp
WINDOW w AS (PARTITION BY dept ORDER BY salary DESC);

结果（A 部门共 3 行）：

emp_id	dept	salary	rk	pr
2	A	2000	1	(1-1)/(3-1)=0.0
3	A	2000	1	0.0
1	A	1000	3	(3-1)/(3-1)=1.0

公式中分母为 (总行数-1)，所以最大值总是 1.0，最小值总是 0.0。

7. CUME_DIST()：累积分布

含义

计算小于等于当前值的行数占总行数的比例。公式：<=当前值的行数 / 总行数。返回值范围 (0, 1]。

语法

sql 复制代码

CUME_DIST() OVER (PARTITION BY col1 ORDER BY col2)

适用场景

计算经验累积分布函数（ECDF）
判断某值在整个数据集中的"分位"

示例

SQL：

sql 复制代码

SELECT emp_id, dept, salary,
       CUME_DIST() OVER (PARTITION BY dept ORDER BY salary DESC) AS cd
FROM emp;

结果（A 部门共 3 行）：

emp_id	dept	salary	cd
2	A	2000	2/3 ≈ 0.6667
3	A	2000	2/3 ≈ 0.6667
1	A	1000	3/3 = 1.0

解释：2000 有两行，小于等于 2000 的行数是 2，总行数 3，所以 cd = 2/3。1000 是最大值（降序排列下1000最小），所有行都 ≤ 1000，故 cd = 1。

8. 六大函数对比总结

函数	公式	相同值处理	序号连续性	值域
`ROW_NUMBER()`	无	不同序号，随机定序	连续 (1,2,3,4)	正整数
`RANK()`	无	相同序号	跳跃 (1,1,3,4)	正整数
`DENSE_RANK()`	无	相同序号	连续 (1,1,2,3)	正整数
`NTILE(n)`	无	可能分到不同桶	桶号连续	1...n
`PERCENT_RANK()`	`(RANK-1)/(count-1)`	相同值得到相同值	连续浮点	[0,1]
`CUME_DIST()`	`<=当前值的行数/总行数`	相同值得到相同值	连续浮点	(0,1]

快速记忆

ROW_NUMBER：唯一不重复，类似行号。
RANK：跳号，适合"竞赛排名"。
DENSE_RANK：不跳号，适合"等级评定"。
NTILE：分桶，等频划分。
PERCENT_RANK：相对排名（从0%到100%）。
CUME_DIST：累积占比（包含自身）。

9. 综合实战示例

场景：员工绩效表 performance(emp_id, dept, score)，要求：

每个部门按分数降序生成唯一序号（用于去重）。
生成有并列且不跳号的排名（用于发奖金档位）。
将每个部门员工按分数分为高、中、低三档（NTILE 3）。
计算每个员工分数在部门内的累积占比（CUME_DIST）。

SQL：

sql 复制代码

SELECT emp_id, dept, score,
       ROW_NUMBER() OVER (PARTITION BY dept ORDER BY score DESC) AS row_num,
       DENSE_RANK()   OVER (PARTITION BY dept ORDER BY score DESC) AS dense_rk,
       NTILE(3)       OVER (PARTITION BY dept ORDER BY score DESC) AS tier,
       CUME_DIST()    OVER (PARTITION BY dept ORDER BY score DESC) AS cum_dist
FROM performance;

结果示例（假设某部门分数为 95, 95, 90, 85）：

emp_id	dept	score	row_num	dense_rk	tier	cum_dist
1	A	95	1	1	1	0.5
2	A	95	2	1	1	0.5
3	A	90	3	2	2	0.75
4	A	85	4	3	3	1.0

解释：cum_dist 为 0.5 表示有 50% 的员工分数 ≤ 95（包括自己）；NTILE(3) 将 4 行分 3 档，排序后前两行（95）进入 tier1，第三行（90）进入 tier2，第四行（85）进入 tier3。

以上详细解读了 Hive/Spark SQL 中常用的窗口排序函数。掌握它们的区别和适用场景，可以高效解决排名、分桶、分布分析等问题。