当前位置： 首页 > news >正文

TDengine 统计函数 APERCENTILE 用户手册

news 2025/9/24 9:45:39

在这里插入图片描述

APERCENTILE 函数用户手册

1. 函数概述

APERCENTILE 是 TDengine 的聚合函数，用于计算近似百分位数值。与 PERCENTILE 函数不同，APERCENTILE 采用近似算法，在保证一定精度的前提下显著提升计算性能，特别适用于大数据集的百分位数分析。

2. 语法

SELECT APERCENTILE(expr, p [, algorithm]) FROM meters [WHERE condition];

参数说明

  • expr：需要计算百分位数的数值型字段
  • p：百分位数值，范围为 0-100 的整数
  • algorithm：可选参数，指定算法类型
    • “default”：默认直方图算法
    • “t-digest”：T-Digest 算法

3. 返回值

  • 返回 DOUBLE 类型的近似百分位数值
  • 如果所有输入值都为 NULL，返回 NULL

4. 函数实现原理

4.1 算法实现

APERCENTILE 函数根据算法参数采用不同的近似算法：

  1. 默认算法：采用高效的直方图近似计算方法
  2. T-Digest 算法：更高精度的流式算法
    • 流式处理：数据流式输入，无需存储全部数据
    • 聚类压缩：将相似的数值聚合成聚类中心点
    • 动态调整：根据数据分布动态调整聚类策略

4.2 T-Digest 算法特点

  • 内存效率：固定内存占用，不随数据量增长
  • 流式计算：支持增量更新，适合实时场景
  • 精度控制：在分位数边界处保持较高精度
  • 合并能力：支持分布式计算的结果合并

4.3 精度与性能权衡

  • 精度：在大多数百分位数处误差小于 1%
  • 性能：计算复杂度远优于精确排序算法
  • 内存：固定内存使用，适合大数据集处理

5. 智能电表应用场景

基于智能电表数据库结构：

CREATE TABLE meters (ts TIMESTAMP,voltage FLOAT,current FLOAT,power FLOAT
) TAGS (groupid INT,location VARCHAR(50)
);

5.1 实时电压质量监控

单个百分位数分析
-- 使用默认算法计算电压中位数
SELECT APERCENTILE(voltage, 50) AS voltage_median_approx FROM meters;-- 使用 T-Digest 算法计算电压90%分位数
SELECT APERCENTILE(voltage, 90, 't-digest') AS voltage_90th_approx FROM meters;-- 监控低电压情况
SELECT APERCENTILE(voltage, 10, 'default') AS voltage_10th_approx FROM meters;
算法对比分析
-- 对比不同算法的结果
SELECT APERCENTILE(current, 50, 'default') AS default_median,APERCENTILE(current, 50, 't-digest') AS tdigest_median
FROM meters 
WHERE ts >= NOW() - 24h;

5.2 大规模负荷分析

按区域快速分析
-- 各区域电流负荷快速分布分析
SELECT location,APERCENTILE(current, 25, 'default') AS current_25th,APERCENTILE(current, 50, 'default') AS current_50th,APERCENTILE(current, 75, 'default') AS current_75th,APERCENTILE(current, 95, 't-digest') AS current_95th
FROM meters 
WHERE ts >= NOW() - 30d  -- 大时间范围
GROUP BY location;
历史功率消耗模式
-- 长期功率消耗分布快速分析
SELECT APERCENTILE(power, 5, 't-digest') AS power_5th,APERCENTILE(power, 25, 'default') AS power_25th,APERCENTILE(power, 50, 'default') AS power_median,APERCENTILE(power, 75, 'default') AS power_75th,APERCENTILE(power, 95, 't-digest') AS power_95th
FROM meters 
WHERE location = 'California.SanFrancisco'AND ts >= NOW() - 365d;  -- 全年数据

5.3 实时性能监控

设备组实时基准
-- 实时设备性能基准快速计算
SELECT groupid,location,APERCENTILE(voltage, 50, 'default') AS voltage_baseline_approx,APERCENTILE(current, 50, 'default') AS current_baseline_approx,APERCENTILE(power, 50, 't-digest') AS power_baseline_approx
FROM meters 
WHERE ts >= NOW() - 1h  -- 实时数据
GROUP BY groupid, location;
动态阈值设定
-- 基于近似百分位数的动态阈值
SELECT location,APERCENTILE(current, 95, 't-digest') AS current_threshold_high,APERCENTILE(current, 5, 't-digest') AS current_threshold_low,APERCENTILE(voltage, 95, 'default') AS voltage_threshold_high,APERCENTILE(voltage, 5, 'default') AS voltage_threshold_low
FROM meters 
WHERE ts >= NOW() - 7d
GROUP BY location;

5.4 流式窗口分析

实时滑动窗口监控
-- 每分钟实时电压质量评估
SELECT APERCENTILE(voltage, 10, 'default') AS voltage_10th,APERCENTILE(voltage, 50, 'default') AS voltage_median,APERCENTILE(voltage, 90, 't-digest') AS voltage_90th
FROM meters 
WHERE location = 'California.LosAngles'
INTERVAL(1m);
高频监控场景
-- 每 10 秒的电流负荷监控
SELECT APERCENTILE(current, 50, 'default') AS current_median,APERCENTILE(current, 90, 't-digest') AS current_90th,APERCENTILE(current, 95, 't-digest') AS current_95th
FROM meters 
WHERE groupid = 1
INTERVAL(10s);

5.5 大数据集分析

全网电力质量评估
-- 全网电压分布快速分析（大数据集）
SELECT APERCENTILE(voltage, 1, 't-digest') AS voltage_1st,APERCENTILE(voltage, 5, 't-digest') AS voltage_5th,APERCENTILE(voltage, 10, 'default') AS voltage_10th,APERCENTILE(voltage, 25, 'default') AS voltage_25th,APERCENTILE(voltage, 50, 'default') AS voltage_median,APERCENTILE(voltage, 75, 'default') AS voltage_75th,APERCENTILE(voltage, 90, 'default') AS voltage_90th,APERCENTILE(voltage, 95, 't-digest') AS voltage_95th,APERCENTILE(voltage, 99, 't-digest') AS voltage_99th
FROM meters 
WHERE ts >= NOW() - 180d;  -- 半年数据
设备性能对比分析
-- 大规模设备性能快速对比
SELECT groupid,APERCENTILE(current, 50, 'default') AS current_median,APERCENTILE(current, 90, 't-digest') AS current_90th,APERCENTILE(power, 50, 'default') AS power_median,APERCENTILE(power, 90, 't-digest') AS power_90th,COUNT(*) AS sample_count
FROM meters 
WHERE ts >= NOW() - 90d
GROUP BY groupid;

5.6 异常检测优化

快速异常识别
-- 基于近似百分位数的异常检测
SELECT groupid,location,voltage_95th,current_95th
FROM (SELECT groupid,location,APERCENTILE(voltage, 95, 't-digest') AS voltage_95th,APERCENTILE(current, 95, 't-digest') AS current_95thFROM meters WHERE ts >= NOW() - 6hGROUP BY groupid, location
) 
WHERE voltage_95th > 240 OR current_95th > 25;

6. 与 PERCENTILE 函数的区别

6.1 算法差异

特性PERCENTILEAPERCENTILE
算法类型精确排序算法近似算法（默认/T-Digest）
计算复杂度O(n log n)O(log n)
内存使用O(n)O(1) 固定内存
结果精度100% 精确近似值（误差 < 1%）
算法选择无支持多种算法

6.2 参数差异

-- PERCENTILE：支持多个百分位数参数
SELECT PERCENTILE(voltage, 25, 50, 75, 90) FROM meters;-- APERCENTILE：仅支持单个百分位数，但可选择算法
SELECT APERCENTILE(voltage, 50, 't-digest') FROM meters;

6.3 性能对比

-- PERCENTILE：精确但慢，适合小数据集
SELECT PERCENTILE(voltage, 50) FROM meters 
WHERE ts >= NOW() - 1h;-- APERCENTILE：快速但近似，适合大数据集
SELECT APERCENTILE(voltage, 50, 'default') FROM meters 
WHERE ts >= NOW() - 30d;

6.4 适用场景对比

场景推荐函数理由
实时监控APERCENTILE低延迟，固定内存
大数据分析APERCENTILE高性能，内存效率
精确统计报表PERCENTILE100% 精确结果
小数据集分析PERCENTILE数据量小，精确度优先
流式处理APERCENTILE支持增量计算
历史数据挖掘APERCENTILE处理大量历史数据

6.5 算法选择建议

  1. Default 算法：一般场景，平衡性能和精度
  2. T-Digest 算法：需要更高精度的场景
  3. 数据量小于 10万条：使用 PERCENTILE
  4. 数据量大于 100万条：使用 APERCENTILE
  5. 实时监控场景：使用 APERCENTILE + default
  6. 精确度要求极高：使用 PERCENTILE

7. 注意事项

7.1 精度考虑

  1. 误差范围

    • Default 算法：一般情况下误差小于 1-2%
    • T-Digest 算法：误差通常小于 0.5%
    • 在数据分布极端不均匀时误差可能稍大

  2. 精度验证

    -- 验证不同算法的精度差异
SELECT APERCENTILE(voltage, 50, 'default') AS default_median,APERCENTILE(voltage, 50, 't-digest') AS tdigest_median,ABS(APERCENTILE(voltage, 50, 'default') - APERCENTILE(voltage, 50, 't-digest')) AS diff
FROM meters 
WHERE ts >= NOW() - 1h;

7.2 性能优化

  1. 大数据集处理

    -- 推荐：对大数据集使用 APERCENTILE
SELECT APERCENTILE(voltage, 50, 'default') FROM meters 
WHERE ts >= NOW() - 365d;-- 避免：对大数据集使用 PERCENTILE
SELECT PERCENTILE(voltage, 50) FROM meters 
WHERE ts >= NOW() - 365d;  -- 可能内存不足

  2. 算法选择

    -- 一般场景使用 default
SELECT APERCENTILE(current, 90, 'default') FROM meters;-- 高精度要求使用 t-digest
SELECT APERCENTILE(current, 90, 't-digest') FROM meters;

7.3 函数限制

  1. 参数限制

    • 只支持单个百分位数值（与 PERCENTILE 不同）
    • 百分位数必须为 0-100 的整数
    • 算法参数可选，默认为 “default”

  2. 语法限制

    • 不支持函数嵌套
    • 不支持在 WHERE 子句中使用
    • 不支持多个百分位数同时计算

7.4 应用建议

  1. 场景选择

    • 实时监控：优先使用 APERCENTILE + default
    • 离线分析：根据数据量和精度要求选择
    • 大数据ETL：使用 APERCENTILE

  2. 精度要求

    • 业务监控：APERCENTILE 的精度通常足够
    • 财务结算：可能需要 PERCENTILE 的精确结果
    • 科学计算：根据具体精度要求选择算法

8. 总结

APERCENTILE 函数是 TDengine 中处理大规模时序数据百分位数分析的重要工具。其主要优势在于：

  1. 高性能：固定内存使用，适合大数据集
  2. 实时性：支持流式计算和增量更新
  3. 算法选择：提供多种算法满足不同精度需求
  4. 实用性：在大多数业务场景中提供足够的精度

在智能电表监控系统中，APERCENTILE 特别适用于：

  • 实时电网质量监控
  • 大规模历史数据分析
  • 高频性能指标计算
  • 动态阈值设定

合理选择 PERCENTILE 和 APERCENTILE 函数，以及合适的算法参数，可以在保证分析质量的同时最大化系统性能。

相关文章

  1. TDengine 统计函数 PERCENTILE 用户手册

关于 TDengine

TDengine 专为物联网IoT平台、工业大数据平台设计。其中，TDengine TSDB 是一款高性能、分布式的时序数据库（Time Series Database），同时它还带有内建的缓存、流式计算、数据订阅等系统功能；TDengine IDMP 是一款AI原生工业数据管理平台，它通过树状层次结构建立数据目录，对数据进行标准化、情景化，并通过 AI 提供实时分析、可视化、事件管理与报警等功能。

http://www.dtcms.com/a/399122.html

相关文章：

  • 【分布式】分布式ID生成方案、接口幂等、一致性哈希
  • 分布式 ID 生成方案实战指南：从选型到落地的全场景避坑手册（一）
  • 对比网站做企业网站需要用到的软件
  • HAProxy 与 Tomcat
  • Tomcat 配置与使用指南
  • 金融数据库--下载全市场可转债日线行情数据
  • 新能源知识库（105）什么是 日本JEMS平台
  • 怎么学做电商然后自己创业seo优化关键词排名
  • 360免费建站怎么进不去网站开发合同模板免费
  • 51单片机实践之数码管电子时钟/时间显示及其设置
  • 条款9：优先选用别名声明，而非typedef
  • Matlab调用GPT-5 API示例
  • 猪八戒网站做软件让你有做黑客感觉的网站
  • 毕业设计指导网站建设揭阳网站推广教程
  • 安全多方计算 联邦学习 同态加密
  • 宁波新亚建设内部网站wordpress开发文档下载
  • GWO-Transformer灰狼算法优化编码器多特征分类预测/故障诊断，Matlab实现，代码解析+运行效果一览
  • 2025 化工 PLM 市场图鉴：软件厂商技术布局与行业应用，助力企业数字化转型
  • 竞品网站分析微信网站需要备案吗
  • 大模型-LLM-large language model
  • 探索生成式纠错在构音障碍语音识别中的应用
  • SCARA 机器人轨迹运动奇异点规避方法
  • 【Linux】自动化构建--make/Makefile
  • 建设银行手机网站wordpress电台
  • 同一种激光模式 高阶模式的产生会降低基模的功率吗 能降低多少？
  • 设计模式-责任链模式详解
  • CentOS7安装mysql最简单教程
  • 垂直网站建设方案南庄建网站服务
  • 【LVS入门宝典】LVS DR模式深度解析：直接路由（DR）的高性能秘诀，MAC地址欺骗与ARP隔离
  • 自做网站视频潍坊免费网站制作