时序数据库flux aggregateWindow命令详解
在 InfluxDB 的 Flux 语言中，aggregateWindow() 是一个用于时间序列数据聚合的核心函数，它能按照指定的时间窗口对数据进行分组，并对每个窗口内的数据应用聚合函数（如求和、平均值等）。这在处理时序数据时非常实用，比如将秒级数据聚合为分钟级、小时级等。
基本语法
aggregateWindow(every: duration, // 窗口大小（必填）fn: (column, tables) => any, // 聚合函数（必填）column: string, // 要聚合的列名（可选，默认是 "_value"）timeSrc: string, // 时间列来源（可选，默认是 "_time"）timeDst: string, // 聚合后时间列的名称（可选，默认是 "_time"）createEmpty: bool // 是否保留空窗口（可选，默认是 false）
)
参数详解
every（必填）
定义时间窗口的大小，即每隔多久聚合一次。支持的时间单位：ns（纳秒）、us（微秒）、ms（毫秒）、s（秒）、m（分钟）、h（小时）、d（天）、w（周）等。
示例：every: 1m（1 分钟窗口）、every: 1h（1 小时窗口）。fn（必填）
用于聚合窗口内数据的函数。Flux 内置了常用聚合函数，如：mean()：平均值sum()：求和max()：最大值min()：最小值count()：计数
示例：fn: mean表示计算每个窗口内的平均值。
column（可选）
指定要聚合的字段列名，默认是_value（InfluxDB 中存储数值的默认列）。
示例：column: "temperature"表示聚合temperature列。timeSrc（可选）
指定原始时间列的名称，默认是_time（InfluxDB 中存储时间的默认列）。一般无需修改，除非自定义了时间列。timeDst（可选）
指定聚合后时间列的名称，默认是_time。聚合后的时间通常是窗口的起始时间（或结束时间，取决于数据对齐方式）。createEmpty（可选）
布尔值，指定是否保留没有数据的空窗口。默认是false（不保留空窗口）；设为true时，空窗口会显示null或0（取决于聚合函数）。
使用示例
假设我们有一张名为 sensor_data 的表，包含 _time（时间）、_value（数值）、sensor_id（传感器 ID）字段，记录了传感器的温度数据（每秒一条）。
示例 1：按 10 分钟窗口聚合，计算平均温度
from(bucket: "my-bucket")|> range(start: -1h) // 取过去1小时的数据|> filter(fn: (r) => r._measurement == "sensor_data" and r._field == "temperature")|> aggregateWindow(every: 10m, // 每10分钟一个窗口fn: mean, // 计算平均值column: "_value" // 聚合_value列（默认可省略）)|> yield(name: "mean_temperature")
结果会将过去 1 小时的数据按 10 分钟分组，每组计算一个平均温度。
示例 2：保留空窗口，按 1 小时聚合求和
from(bucket: "my-bucket")|> range(start: -1d) // 取过去1天的数据|> filter(fn: (r) => r._measurement == "energy" and r._field == "consumption")|> aggregateWindow(every: 1h,fn: sum,createEmpty: true // 保留无数据的小时窗口（显示0）)|> yield(name: "hourly_energy_sum")
示例 3：按标签分组后聚合
如果数据有多个标签（如不同传感器），可先按标签分组再聚合：
from(bucket: "my-bucket")|> range(start: -6h)|> filter(fn: (r) => r._measurement == "sensor_data" and r._field == "humidity")|> group(columns: ["sensor_id"]) // 按传感器ID分组|> aggregateWindow(every: 30m,fn: max // 每个传感器每30分钟的最大湿度)|> yield(name: "max_humidity_per_sensor")
注意事项
- 窗口对齐：
aggregateWindow()的窗口默认对齐到 Unix 时间起点（如 00:00、00:10、00:20 等），而非数据的第一条记录时间。 - 与
window()的区别：window()仅按时间分组，不做聚合；aggregateWindow()是window()+ 聚合函数的组合，更简洁。 - 性能：对大量数据聚合时，建议通过
range()限制时间范围，或通过filter()过滤不必要的数据，提升效率。
通过 aggregateWindow()，可以灵活地将高频时序数据降采样为低频数据，便于分析和可视化。