influxDB聚合类函数

news/2024/11/16 14:25:28/

influxDB聚合类函数

1）count()函数

返回一个（field）字段中的非空值的数量。

SELECT COUNT(<field_key>) FROM <measurement_name> [WHERE <stuff>] [GROUP BY <stuff>]
例子1
计算非空water_level数量

SELECT COUNT(water_level) FROM h2o_feet
结果
name: h2o_feet
time count
1970-01-01T00:00:00Z 15258
说明 water_level这个字段在 h2o_feet表中共有15258条数据。

注意：聚合函数中如果没有指定时间的话，会默认以 epoch 0 (1970-01-01T00:00:00Z) 作为时间。

可以在where 中加入时间条件，如下：

例子2

计算非空值water_level每4天时间间隔里的数量

SELECT COUNT(water_level) FROM h2o_feet WHERE time >= '2015-08-18T00:00:00Z' AND time < '2015-09-18T17:00:00Z' GROUP BY time(4d)

结果如下：
name: h2o_feet
--------------
time			 count
2015-08-17T00:00:00Z	 1440
2015-08-21T00:00:00Z	 1920
2015-08-25T00:00:00Z	 1920
2015-08-29T00:00:00Z	 1920
2015-09-02T00:00:00Z	 1915
2015-09-06T00:00:00Z	 1920
2015-09-10T00:00:00Z	 1920
2015-09-14T00:00:00Z	 1920
2015-09-18T00:00:00Z	 335

这样结果中会包含时间结果。

COUNT() and controlling the values reported for intervals with no data（控制时间间隔内没有值的返回值）

其他的InfluxQL功能时函数间间隔内没有值返回null值，count()用0添加:

fill()到查询里，用 . COUNT(),代替null值返回。用0来代替没有值的间隔数，加入fill()来代替0来输出count()数。

Example:用 fill(none) to 去除0的间隔输出数量

COUNT()不用 fill(none):

SELECT COUNT(water_level) FROM h2o_feet WHERE location = ‘santa_monica’ AND time >= ‘2015-09-18T21:41:00Z’ AND time <= ‘2015-09-18T22:41:00Z’ GROUP BY time(30m)
name: h2o_feet
time count
2015-09-18T21:30:00Z 1
2015-09-18T22:00:00Z 0
2015-09-18T22:30:00Z 0
COUNT() 用 fill(none):

SELECT COUNT(water_level) FROM h2o_feet WHERE location = ‘santa_monica’ AND time >= ‘2015-09-18T21:41:00Z’ AND time <= ‘2015-09-18T22:41:00Z’ GROUP BY time(30m) fill(none)
name: h2o_feet
time count
2015-09-18T21:30:00Z 1
For a more general discussion of fill(), see Data Exploration.

2、DISTINCT()函数

返回一个字段（field）的唯一值。
语法：

SELECT DISTINCT(<field_key>) FROM <measurement_name> [WHERE <stuff>] [GROUP BY <stuff>]

例子1
在level description选择唯一的值
SELECT DISTINCT("level description") FROM h2o_feet

结果
name: h2o_feet
--------------
time			  distinct
1970-01-01T00:00:00Z	 between 6 and 9 feet
1970-01-01T00:00:00Z	 below 3 feet
1970-01-01T00:00:00Z	 between 3 and 6 feet
1970-01-01T00:00:00Z	 at or greater than 9 feet

这个例子显示level description这个字段共有四个值，然后将其显示了出来，时间为默认时间。

注：聚合函数返回的时代0（1970-01-01t00:00:00z）为时间戳，除非您指定一个下界的时间范围。然后返回下界作为时间戳。

例子2
选择唯一的值在leve description 以location 标签分组
SELECT DISTINCT("level description") FROM h2o_feet GROUP BY location

结果
name: h2o_feet
tags: location=coyote_creek
time			   distinct
----			   --------
1970-01-01T00:00:00Z	  between 6 and 9 feet
1970-01-01T00:00:00Z	  between 3 and 6 feet
1970-01-01T00:00:00Z	  below 3 feet
1970-01-01T00:00:00Z	  at or greater than 9 feetname: h2o_feet
tags: location=santa_monica
time			   distinct
----			   --------
1970-01-01T00:00:00Z	  below 3 feet
1970-01-01T00:00:00Z	  between 3 and 6 feet
1970-01-01T00:00:00Z	  between 6 and 9 feet

例子3
聚合函数DISTINCT() 使用count(),以location分组获得level_description的唯一数量
SELECT COUNT(DISTINCT("level description")) FROM h2o_feet GROUP BY location

结果
name: h2o_feet
tags: location = coyote_creek
time			count
----			 -----
1970-01-01T00:00:00Z	 4name: h2o_feet
tags: location = santa_monica
time			count
----			 -----
1970-01-01T00:00:00Z	 3

3）MEAN() 函数

返回一个字段（field）中的值的算术平均值（平均值）。字段类型必须是长整型或float64。

语法格式

SELECT MEAN(<field_key>) FROM <measurement_name> [WHERE <stuff>] [GROUP BY <stuff>]

例子1
计算water_level的平均值
SELECT MEAN(water_level) FROM h2o_feet
结果
name: h2o_feet
--------------
time			  mean
1970-01-01T00:00:00Z	 4.286791371454075

解释：说明water_level字段的平均值为4.286791371454075时间为默认时间，当然，你也可以加入where条件。

注意:
聚合函数返回的时代0（1970-01-01t00:00:00z）为时间戳，除非您指定一个下界的时间范围。然后他们返回下界的时间戳。
在float64点同一套执行mean()可能会产生稍微不同的结果。
InfluxDB之前不适用的功能，结果在那些小差异排序分。

例子2:
计算wate_level以4天为间隔的平均值
SELECT MEAN(water_level) FROM h2o_feet WHERE time >= '2015-08-18T00:00:00Z' AND time < '2015-09-18T17:00:00Z' GROUP BY time(4d)

结果:
name: h2o_feet
--------------
time			   mean
2015-08-17T00:00:00Z	 4.322029861111125
2015-08-21T00:00:00Z	 4.251395512375667
2015-08-25T00:00:00Z	 4.285036458333324
2015-08-29T00:00:00Z	 4.469495801899061
2015-09-02T00:00:00Z	 4.382785378590083
2015-09-06T00:00:00Z	 4.28849666349042
2015-09-10T00:00:00Z	 4.658127604166656
2015-09-14T00:00:00Z	 4.763504687500006
2015-09-18T00:00:00Z	 4.232829850746268

实战测试：

在这里插入图片描述

要求：对根据设备id（device_id）查询出上述图片中，某个时间段内对应设备在每小时、每分钟的cod、nh3n、total_phosphor的数据。

sql实现：SELECT MEAN(*) as avg   //用来求平均值
FROM drain_sensor_history_data
where time >= '2023-07-04T00:00:00Z'
AND time <=  '2023-07-05T00:00:00Z'
AND device_id = '136'
GROUP BY time(1m) FILL(0)// time(1m)以每分钟对数据进行聚合time(1h) 以小时聚合数据
order by time ASC

结果：

在这里插入图片描述

4、MEDIAN()函数

从单个字段（field）中的排序值返回中间值（中位数）。中值是在一组数值中居于中间的数值。字段值的类型必须是长整型或float64格式。
语法：

SELECT MEDIAN(<field_key>) FROM <measurement_name> [WHERE ] [GROUP BY ]

注：median()几乎相当于
PERCENTILE(field_key, 50)
，如果参数集合中包含偶数个数字，函数 MEDIAN 将返回位于中间的两个数的平均值。
中值 中值是一组数中间位置的数；即一半数的值比中值大，另一半数的值比中值小。例如，2、3、3、5、7 和 10 的中值是 4
例子1
选择water_level的中间值
PERCENTILE(field_key, 50)
SELECT MEDIAN(water_level) from h2o_feet

结果：
name: h2o_feet
--------------
time			 median
1970-01-01T00:00:00Z	 4.124
解释：
说明表中 water_level字段的中位数是 4.124

==注：聚合函数返回的时代0（1970-01-01t00:00:00z）为时间戳，除非您指定一个下界的时间范围。然后返回下界作为时间戳。 ==

例子2：
选择时间在2015年8月18日和8月18日30分，以location分组water_level的中间值
SELECT MEDIAN(water_level) FROM h2o_feet WHERE time >= '2015-08-18T00:00:00Z' AND time < '2015-08-18T00:36:00Z' GROUP BY location

结果：
name: h2o_feet
tags: location = coyote_creek
time			 median
----			 ------
2015-08-18T00:00:00Z	 7.8245name: h2o_feet
tags: location = santa_monica
time			 median
----			 ------
2015-08-18T00:00:00Z	 2.0575

5）SPREAD()函数

返回字段的最小值和最大值之间的差值。数据的类型必须是长整型或float64。
语法：

SELECT SPREAD(<field_key>) FROM <measurement_name> [WHERE ] [GROUP BY ]

例子1
计算water_level的最小值 与最大值 之间差
SELECT SPREAD(water_level) FROM h2o_feet

结果
name: h2o_feet
--------------
time			 spread
1970-01-01T00:00:00Z	  10.574

注意：
聚合函数返回的时代0（1970-01-01t00:00:00z）为时间戳，除非您指定一个下界的时间范围。然后他们回到下界的时间戳。
在float64点同一套执行spread()可能会产生稍微不同的结果。InfluxDB之前不适用的功能，结果在那些小差异排序分。

例子2
计算water_level的最小值 与最大值差，以30分钟间隔，指定location为
santa_monica，和一个时间范围
SELECT SPREAD(water_level) FROM h2o_feet WHERE location = 'santa_monica' AND time >= '2015-09-18T17:00:00Z' AND time < '2015-09-18T20:30:00Z' GROUP BY time(30m)

结果:
name: h2o_feet
--------------
time			                spread
2015-09-18T17:00:00Z	  0.16699999999999982
2015-09-18T17:30:00Z	  0.5469999999999997
2015-09-18T18:00:00Z	  0.47499999999999964
2015-09-18T18:30:00Z	  0.2560000000000002
2015-09-18T19:00:00Z	  0.23899999999999988
2015-09-18T19:30:00Z	  0.1609999999999996
2015-09-18T20:00:00Z	  0.16800000000000015

6）SUM()函数

返回一个字段中的所有值的和。字段的类型必须是长整型或float64。

语法：

SELECT SUM(<field_key>) FROM <measurement_name> [WHERE <stuff>] [GROUP BY <stuff>]

例子1
计算water_level的所有值的和
SELECT SUM(water_level) FROM h2o_feet

 结果
name: h2o_feet
--------------
time			  sum
1970-01-01T00:00:00Z	 67777.66900000002

注意：
聚合函数返回的时代0（1970-01-01t00:00:00z）为时间戳，除非您指定一个下界的时间范围。然后他们回到下界的时间戳。
在float64点同一套执行sum()可能会产生稍微不同的结果。InfluxDB之前不适用的功能，结果在那些小差异排序分。

例子2 计算以5天为分组，water_level的和SELECT SUM(water_level) FROM h2o_feet WHERE time >= '2015-08-18T00:00:00Z' AND time < '2015-09-18T17:00:00Z' GROUP BY time(5d)

结果：
--------------
time			 sum
2015-08-18T00:00:00Z	 10334.908999999983
2015-08-23T00:00:00Z	 10113.356999999995
2015-08-28T00:00:00Z	 10663.683000000006
2015-09-02T00:00:00Z	 10451.321
2015-09-07T00:00:00Z	 10871.817999999994
2015-09-12T00:00:00Z	 11459.00099999999
2015-09-17T00:00:00Z	 3627.762000000003

7）INTEGRAL()函数

8) STDDEV

持续更新中ing


http://www.ppmy.cn/news/724883.html

相关文章

【python教程】揭秘京东|淘宝秒杀抢购背后的黑幕，为什么你总抢不到商品？

【python教程】揭秘京东|淘宝秒杀抢购背后的黑幕，为什么你总抢不到商品？

前言 我们的目标是秒杀淘宝或京东等的订单&#xff0c;这里面有几个关键点&#xff0c;首先需要登录淘宝或京东&#xff0c;其次你需要准备好订单&#xff0c;最后要在指定时间快速提交订单。 这里就要用到一个爬虫利器Selenium&#xff0c;Selenium是一个用于Web应用程序测试…
阅读更多...
服务器扩容思路及问题分析

服务器扩容思路及问题分析

点击关注公众号&#xff0c;回复“1024”获取2TB学习资源&#xff01; 为什么要扩容 说人话就是, 无论如何优化性能,能达到的最大值是一定的,对于一个用户量大的应用,可以对服务器进行各种优化,诸如限流、资源隔离,但是上限还是在那里,这时候就应该改变我们的硬件,例如使用更强…
阅读更多...
写个码农们：从业互联网13年，才觉得卖卤菜比找风投上市靠谱只看楼主

写个码农们：从业互联网13年，才觉得卖卤菜比找风投上市靠谱只看楼主

10年风雨坑爹人生&#xff0c;略略回顾 -----------------------------回顾开始-------------------------------- 【黑客登场】十多年前的一天晚上&#xff0c;警察突然冲到了我家&#xff0c;把我带到省公安厅录口供开始&#xff0c;我的互联网人生从此拉开了序幕。。。&…
阅读更多...
AI Time 7 | 人机交互的终极状态——人机共生

AI Time 7 | 人机交互的终极状态——人机共生

来源&#xff1a;AL TIME 论道 本文约5000字&#xff0c;建议阅读10分钟。 本文讲述了四位重量级嘉宾论道人机交互的发展及未来。 在电影《少数派报告》中&#xff0c;汤姆克鲁斯扮演的角色站在虚拟屏幕前&#xff0c;不用触摸任何实质的东西&#xff0c;仅靠一个特殊手套就能隔…
阅读更多...
阿里入职的第一年，这是你想要的职场生活吗？

阿里入职的第一年，这是你想要的职场生活吗？

热文导读 | 点击标题阅读 Android架构进阶学习路线图 Java 学习路线 宁愿月薪1万招新人&#xff0c;却不愿给月薪5千的老员工涨薪 内容来源&#xff1a;本文转载自校招薪水微信公众号&#xff08;ID&#xff1a; OfferShow&#xff09;&#xff0c;好文请多支持&#xff01;感谢…
阅读更多...
人类真的需要密码吗

人类真的需要密码吗

2054年&#xff0c;你的行踪随时被掌握&#xff0c;不管你去哪里&#xff0c;地铁还是楼宇。因为每个人的虹膜信息都存储在电脑里&#xff0c;无数的虹膜扫描仪在盯着你。这是《少数派报告》里的场景。 2015年&#xff0c;你卖萌对着手机喊了一句“亲爱的最帅了”&#xff0c;钱…
阅读更多...
写给码农们：从业互联网13年，才觉得卖卤菜比找风投上市靠谱！

写给码农们：从业互联网13年，才觉得卖卤菜比找风投上市靠谱！

http://www.yixieshi.com/it/14001.html 【黑客登场】十多年前的一天晚上&#xff0c;警察突然冲到了我家&#xff0c;把我带到省 公安厅录口供开始&#xff0c;我的互联网人生从此拉开了序幕。。。(PS&#xff1a;肯定你要问为什么要被带走?因为当时高三逆反&#xff0c;反对…
阅读更多...
《惢客创业日记》2019.04.21（周日）《惢客》015 目前的市场现状是什么样的？(六)

《惢客创业日记》2019.04.21（周日）《惢客》015 目前的市场现状是什么样的？(六)

今天是星期日&#xff0c;也是《惢客》有声书的分享日&#xff0c;继续分享我录制的《惢客》有声书第十五集《目前的市场现状是什么样的&#xff1f;(六)》。 各位关注《惢客》有声书的小伙伴们&#xff0c;大家好&#xff0c;我是敦厚的曹操。今天继续给您分享《惢客》有声书第…
阅读更多...
最新文章

Copyright @ 2022~2023