第1章：你不知道的TDEngine窗口查询——开局就不简单

先别急着翻白眼，提到时间窗口查询，可能你脑子里立马浮现的就是那些常规套路：GROUP BY time_interval、FIRST()、LAST()，再加上点AVG()和MAX()，一锅端。

可是，如果你用TDEngine还只是停留在这些层面，那说实话——你用的是一半的TDEngine，甚至不及格。

今天我们就不讲那些你能从官网文档抄到的东西，而是来把TDEngine时间窗口查询这块，彻底挖一挖，翻一翻，不光看它怎么用，还得琢磨出怎么用得漂亮。

1.1 时间窗口的本质：不是GROUP而是TIME ALIGN

很多人误以为TDEngine的窗口查询只是SQL里GROUP BY的变种。错了，TDEngine的窗口查询背后其实是一个时间对齐模型，它会根据你指定的窗口步长、起点，对原始数据进行自动分桶。

举个简单例子：

SELECT COUNT(*) FROM temperature_table INTERVAL(10m);

你以为只是10分钟分组？不对，其实它在做的是：从UNIX EPOCH（1970年1月1日）或你的查询起点，每隔10分钟生成一个桶，再把每个数据点丢到对应桶里。想清楚这一点，很多问题自然就通透了。

1.2 窗口查询的完整语法骨架

我们要玩得溜，就得先掌握TDEngine窗口查询的完整句式结构。

SELECT [agg_funcs] FROM [stable/table] 
[WHERE condition]
INTERVAL(step_time) 
[SLIDING(step)]
[FILL(null | previous | 0)]
[ALIGN(starting_point)]
[GROUP BY tags]

这几个关键词你得明白它们的作用和组合方式，不然后面进阶玩法全玩不转。

• INTERVAL(x)：这个是窗口的宽度。

• SLIDING(x)：这个是滑动步长，默认跟INTERVAL一样，但你可以自定义成任意值，实现滑窗效果。

• FILL：控制窗口里没数据的桶的填充值。

• ALIGN：决定窗口从哪一刻开始划分。

现在我们直接从实战讲起，不空讲任何一个参数。

1.3 INTERVAL + SLIDING：滑窗玩法的关键

实例：按15分钟聚合，每5分钟滚动一次

SELECT AVG(temperature) 
FROM temperature_table 
WHERE ts >= now - 2h
INTERVAL(15m) SLIDING(5m);

这就是一个滑动窗口聚合查询，每个15分钟窗口会向前滑动5分钟生成一个新的结果。

也就是说，如果你的时间范围是2小时，那你将会得到：

• 00:00 ~ 00:15

• 00:05 ~ 00:20

• 00:10 ~ 00:25 ...

这种玩法特别适合用于实时数据的趋势监测，尤其是在工业设备监控和金融K线生成中非常常见。

再来一个带点刺激的：

实例：动态监控平均温度变化率

SELECT (AVG(temperature) - LAG(AVG(temperature))) / SLIDING(5m) AS rate 
FROM temperature_table 
WHERE ts >= now - 1h
INTERVAL(15m) SLIDING(5m);

这段SQL可不常规，它是通过窗口差值做了一个时间上的衍生指标计算，常用于预测模型特征提取。

注：目前TDEngine原生还不支持LAG这种窗口函数，这种写法需要通过客户端拆解计算实现。

第2章：别让“缺口”搞乱你的窗口——深入FILL与ALIGN的奥秘

TDEngine 的窗口查询，很多时候看起来没毛病，可结果就偏偏不对，这种情况十有八九都是 FILL 和 ALIGN 在搞事情。

我们一个个来抠细节。

2.1 FILL：给数据“打补丁”的神技能

默认情况下，如果某个窗口内没有任何数据点，那这一段时间的桶压根就不会出现在查询结果里。

但是你做可视化，或做统计模型训练时，突然断档，不仅图表变形、聚合数出错，严重点可能直接导致你的报警系统漏报或者误报。

所以，FILL这个参数你必须会用。

FILL(null)

最简单粗暴的做法——什么都不补，窗口没数据就让它空着：

SELECT AVG(temperature) 
FROM temperature_table 
WHERE ts >= now - 1h
INTERVAL(10m) FILL(null);

结果中，你会看到有些10分钟时间段是空的。这个策略适合数据科学用途，但不适合报表可视化。

FILL(0) 或 FILL(previous)

• FILL(0)：补零，这种方式简单粗暴，适合电量统计、总线监控这类场景。

• FILL(previous)：拿前一个非空值来填补空位，适合做趋势对比、图表平滑处理。

实战案例：气压监测不中断

SELECT MAX(pressure) 
FROM station_data 
WHERE ts >= now - 1d
INTERVAL(30m) FILL(previous);

用这个你就可以确保图表上的曲线不会有断点。

⚠️注意：FILL(previous) 只在时间序列有“连续性预期”的情况下使用，别滥用。

2.2 ALIGN：对齐时间才是硬道理

你是不是遇到过这种怪事：你明明查的是now - 1h的数据，结果窗口的起点却是一些奇怪的时间，比如13:02:30？

问题就出在ALIGN参数没设置。

ALIGN的作用

ALIGN(ts) 指定你的窗口应该从哪个时间点开始对齐切分。

SELECT COUNT(*) 
FROM login_table 
WHERE ts >= now - 6h
INTERVAL(1h) ALIGN(00:00);

上面的语句表示：窗口从每天的00:00点开始切分，每1小时一个桶。

这样你在做日报时，结果就非常整齐划一。

使用ALIGN(now)实时对齐

你也可以让窗口以当前时间对齐：

SELECT SUM(energy) 
FROM device_power 
WHERE ts >= now - 4h
INTERVAL(1h) ALIGN(now);

这就意味着每次查询结果的窗口都会动态对齐到此刻。

第3章：超级表的窗口聚合——你以为的简单，其实暗藏玄机

讲真，TDEngine的“超级表（Super Table）”机制可以说是它最酷也最容易踩坑的一部分。尤其是当你试图用窗口聚合搞多个子表汇总时，如果你不留个心眼，结果就会比你想象的还乱——而且还是悄悄地乱。

3.1 什么是超级表的窗口聚合？

场景设定：假如你有一张超级表 meters，它包含了成百上千个子表（比如一栋楼的不同电表）：

CREATE STABLE meters (ts TIMESTAMP, voltage FLOAT, current FLOAT) TAGS (location BINARY(64), phase INT);

然后你基于这张超级表创建了几千个表：

CREATE TABLE meter001 USING meters TAGS ("A栋1单元", 1);
CREATE TABLE meter002 USING meters TAGS ("A栋2单元", 1);
...

现在你想统计这栋楼里每个相位（phase）的平均电压变化趋势，每15分钟为一个窗口，每小时滚动一次。

很多人上来就写：

SELECT AVG(voltage) 
FROM meters 
WHERE ts > now - 1d 
INTERVAL(15m) SLIDING(1h) 
GROUP BY phase;

然后你发现结果“怪怪的”：

• 有的时间段缺数据；

• 某些phase没出现在结果里；

• 数据数量不稳定。

问题在哪？是数据分布不均、窗口未对齐、子表未完整聚合，等等统统叠加。

3.2 拆分对齐：稳准狠的三步法

要想搞定超级表聚合查询，建议按以下思路来分步处理：

第一步：确认数据分布是否均衡

你得先了解每个子表是否在你关注的时间段内都有数据。

SELECT tbname, COUNT(*) 
FROM meters 
WHERE ts >= now - 1d 
GROUP BY tbname;

如果你看到很多是0，那说明不是查询语句的问题，而是压根没数据。

第二步：强制时间对齐 + 填补空缺

这是窗口查询里必须加的参数组合：

SELECT AVG(voltage) 
FROM meters 
WHERE ts >= now - 1d 
INTERVAL(15m) SLIDING(1h) 
FILL(previous) ALIGN(00:00) 
GROUP BY phase;

有了这个组合，结果才是完整、有规律的窗口段——对BI系统来说简直不要太重要。

第三步：GROUP BY顺序 VS TAG使用

如果你 GROUP BY 的字段不是 TAG，而是某个字段值，那在超级表场景下可能会出错。

错误示范：

-- voltage不是tag，这样写在超级表上毫无意义
SELECT AVG(voltage) FROM meters INTERVAL(15m) GROUP BY voltage;

正确做法要结合超级表的 TAG 字段：

SELECT AVG(voltage) 
FROM meters 
WHERE ts >= now - 12h 
INTERVAL(15m) 
GROUP BY location;

 一句话：TDEngine 的 GROUP BY 只能对 TAG 字段起到分组汇总作用！

小贴士：如果你对查询结果不放心，建议输出 tbname 一列，对比一下具体是哪些子表返回了数据。

SELECT tbname, AVG(current) 
FROM meters 
WHERE ts >= now - 3h 
INTERVAL(10m) 
GROUP BY tbname;

这个技巧在调试复杂聚合时非常有用，别忽视它！

第4章：窗口滑动别只会“匀速跑”——不规则窗口 + 嵌套窗口查询解法

时间窗口查询的“滑动”功能（SLIDING）非常强大，但很多时候我们用得还不够花——绝大多数人都在用等间距滑窗，比如每小时滑动一次、每五分钟滑动一次。

可现实数据分析可没那么规整，有时候你就得：

• 定义“跳跃式窗口”：窗口本身间隔固定，但不连续滚动；

• 在同一查询中对多个时间粒度做对比（比如小时内再聚合分钟趋势）；

• 甚至在子查询中对滑动窗口进行再聚合，这个时候你需要嵌套窗口查询。

我们下面一个个来拆。

4.1 不规则滑动窗口：跳着来照样聚合

场景：每小时数据只取前15分钟做统计

你希望每小时内只分析第一个15分钟窗口数据，后面的不看。

你以为只能用 INTERVAL(1h)？其实用 SLIDING 更灵活：

SELECT AVG(temperature) 
FROM temperature_table 
WHERE ts >= now - 6h 
INTERVAL(15m) SLIDING(1h);

别小看这个用法，它其实实现的是“每小时一个窗口，但窗口长度只有15分钟”，跳窗分析就这么玩。

场景升级：仅分析奇数小时数据

这种需求就得靠业务逻辑去组合：

SELECT * FROM (SELECT AVG(voltage) AS v, ts FROM power_data WHERE HOUR(ts) % 2 = 1 INTERVAL(30m) SLIDING(1h)
) t;

注意这里其实是靠 SQL 中的时间函数加窗口语法联合筛选达成。

4.2 窗口 + 窗口？可以！嵌套查询了解下

TDEngine 虽然目前对窗口函数嵌套支持有限，但我们可以通过子查询的方式实现“窗口套窗口”的效果。

案例：先按10分钟滑动平均，再按小时汇总滑动平均走势

SELECT AVG(avg_temp) 
FROM (SELECT AVG(temperature) AS avg_temp FROM sensors WHERE ts >= now - 2h INTERVAL(10m) SLIDING(5m)
) t 
INTERVAL(1h);

这个操作在数据科学和模型训练中非常常用，尤其是在构建多级平滑曲线、分层特征提取时效果拔群。

⚠️ 注意：当前 TDEngine 在子查询中不能嵌套 GROUP BY tags，需要按单表/结构规避。

4.3 JOIN + 窗口：动态对齐不同类型数据

有没有遇到过这种情况：你有两个超级表，一个记录设备状态（开关变化），一个记录温度，你想知道“每次设备开的时候，接下来的5分钟内温度均值”？

这时候我们可以用 JOIN + 窗口来干：

SELECT s.ts, d.status, AVG(s.temperature) 
FROM temperature_table s 
JOIN status_table d ON s.ts BETWEEN d.ts AND d.ts + 5m
WHERE d.status = 1
GROUP BY d.ts;

或者你用窗口套件配合写法：

SELECT AVG(temp) 
FROM (SELECT s.temperature AS temp, d.ts AS anchor FROM s JOIN d ON s.ts BETWEEN d.ts AND d.ts + 5m WHERE d.status = 1
) t 
INTERVAL(5m) ALIGN(anchor);

是不是已经闻到高级数据处理的味道了？

第6章：性能，才是生产级窗口查询的底线

很多人写窗口查询时从不关心性能，直到查询开始“转圈圈”，然后盯着后台日志一脸懵逼。其实，TDEngine 的窗口查询本身是非常高效的，但前提是你避开以下几个常见陷阱。

这一章，我们就来拆开这些“隐形炸弹”，再教你几招能让你的窗口查询飞起来的优化套路。

6.1 避雷第一条：INTERVAL步长别太小！

你想象一下，如果你执行的是：

SELECT AVG(temp) 
FROM data 
WHERE ts >= now - 1h 
INTERVAL(1s);

意味着什么？意味着 TDEngine 要在一小时内切出 3600个桶！

这不是查询，这是压力测试……

建议：INTERVAL 不要低于5s，常用为 10s ~ 1min。

如果你必须这么小的粒度，那就考虑先用大粒度做聚合，做成中间表缓存再查。

6.2 SLIDING步长≠精度

很多同学以为“我把 SLIDING 改成 1s，就能实时得出结果”，这是错的。

SLIDING 控制的是窗口生成频率，不是数据采样频率。

你该关心的是：有没有数据进入这个窗口，而不是滑了多少次。

正确理解这个参数，有助于你把查询控制在“刚刚好”的复杂度上。

6.3 GROUP BY TAG = 分片执行！

TDEngine 的超级表分组其实是一种“分片执行”。

如果你写了：

SELECT AVG(v) FROM stable_name INTERVAL(1m) GROUP BY device_id;

那系统会为每个 device_id 子表执行一次完整查询，再汇总。

所以如果你有 10w 个设备，恭喜你，触发了 10w 次执行路径。

解决方案：分批查询、分页聚合、或建立预聚合表（物化视图）。

6.4 LIMIT和TOPN一定要加

执行窗口查询的时候，如果你只是临时查数据，那请加上 LIMIT，比如：

SELECT AVG(x) FROM y INTERVAL(10m) LIMIT 100;

或者你只关心某几个设备的：

SELECT TOP(10) device_id, AVG(x) FROM y GROUP BY device_id;

没有 LIMIT = 默认全表聚合 = 查询崩溃边缘试探。

6.5 提前准备的数据结构优化

你别以为 SQL 优化就够了，其实 TDEngine 在建表时就能埋下优化伏笔：

• 建表时设置合适的 COMP 压缩算法，对时序聚合性能有帮助；

• 使用合理的 TAG 作为查询条件，可以极大减少 I/O 扫描成本；

• 利用 TTL 机制清理旧数据，避免“历史包袱”拖慢全局。