使用Apache IoTDB进行IoT相关开发的架构设计与功能实现(9)

降频聚合查询

本节主要介绍下频聚合查询的相关示例，使用分组依据子句，用于根据用户给定的分区条件对结果集进行分区，并聚合分区的结果集。IoTDB支持根据时间间隔和自定义滑动步长对结果集进行分区，不小于时间间隔，未设置则默认等于时间间隔。默认情况下，结果按时间升序排序。还可以使用Java JDBC用于执行相关查询的标准接口。

GROUP BY 语句为用户提供了三种类型的指定参数：

• 参数1：时间轴上的显示窗口
• 参数2：划分时间轴的时间间隔（应为正）
• 参数3：时间滑动步长（可选，不应小于时间间隔，如果未设置，则默认等于时间间隔）

这三类参数的实际含义如下图5.2所示。其中，参数 3 是可选的。接下来，我们将给出三个典型的降频聚合示例：未指定参数 3、指定参数 3 和指定值过滤条件。

图5.2 三类参数的实际含义

不指定滑动步长的降频聚合查询

SQL 语句为：

1. select count(status), max_value(temperature) from root.ln.wf01.wt01 group by ([2017-11-01T00:00:00, 2017-11-07T23:00:00),1d);

这意味着：

由于用户未指定滑动步长，因此 GROUP BY 语句将默认将滑动步长设置为与时间间隔相同的时间间隔，即 。1d

上面 GROUP BY 语句的第一个参数是显示窗口参数，它决定了最终的显示范围是 [2017-11-01T00：00：00， 2017-11-07T23：00：00）。

上面 GROUP BY 语句的第二个参数是划分时间轴的时间间隔。将此参数（1d）作为时间间隔，显示窗口的开始时间作为划分原点，将时间轴划分为几个连续区间，分别是[0，1d），[1d，2d），[2d，3d）等。

然后系统将使用 WHERE 子句中的时间和值过滤条件和 GROUP BY 语句的第一个参数作为数据过滤条件，得到满足过滤条件的数据（本例中为 [2017-11-01T00：00：00， 2017-11-07 T23：00：00]范围内的数据），并将这些数据映射到之前分段的时间轴（本例中每 1 天有映射的数据）从2017-11-01T00：00：00到2017-11-07T23：00：00：00）。

由于结果范围内都有每个时间段的数据要显示，因此 SQL 语句的执行结果如下所示：

指定滑动步长的降频聚合查询

SQL 语句为：

1. select count(status), max_value(temperature) from root.ln.wf01.wt01 group by ([2017-11-01 00:00:00, 2017-11-07 23:00:00), 3h, 1d);

这意味着：

由于用户将滑动步长参数指定为 1d，因此 GROUP BY 语句将延长时间间隔，而不是默认。1 day3 hours

这意味着我们希望每天从 00-00-00 到 02-59-59 获取 2017：11：01 到 2017：11：07 的所有数据。

上面 GROUP BY 语句的第一个参数是显示窗口参数，它决定了最终的显示范围是 [2017-11-01T00：00：00， 2017-11-07T23：00：00）。

上面 GROUP BY 语句的第二个参数是划分时间轴的时间间隔。以此参数（3h）为时间间隔，以显示窗口的开始时间为划分原点，将时间轴划分为几个连续区间，分别是[2017-11-01T00：00：00、2017-11-01T03：00：00）、[2017-11-02T00：00：00、2017-11-02T03：00：00）、[2017-11-03T00：00：00、2017-11-03T03：00：00）等。

上面 GROUP BY 语句的第三个参数是每个时间间隔移动的滑动步长。

然后系统将使用 WHERE 子句中的时间和值过滤条件和 GROUP BY 语句的第一个参数作为数据过滤条件，得到满足过滤条件的数据（本例中为 [2017-11-01T00：00：00， 2017-11-07T23：00：00]范围内的数据），并将这些数据映射到之前分段的时间轴（本例中每 3 小时有映射的数据为每天从2017-11-01T00：00：00到2017-11-07T23：00：00：00）。

由于结果范围内都有每个时间段的数据要显示，因此 SQL 语句的执行结果如下所示：

指定值的降频聚合查询 过滤条件

SQL 语句为：

1. select count(status), max_value(temperature) from root.ln.wf01.wt01 where time > 2017-11-01T01:00:00 and temperature > 20 group by([2017-11-01T00:00:00, 2017-11-07T23:00:00), 3h, 1d);

这意味着：

由于用户将滑动步长参数指定为 1d，因此 GROUP BY 语句将延长时间间隔，而不是默认。1 day3 hours

上面 GROUP BY 语句的第一个参数是显示窗口参数，它决定了最终的显示范围是 [2017-11-01T00：00：00， 2017-11-07T23：00：00）。

上面 GROUP BY 语句的第二个参数是划分时间轴的时间间隔。以此参数（3h）为时间间隔，以显示窗口的开始时间为划分原点，将时间轴划分为几个连续区间，分别是[2017-11-01T00：00：00、2017-11-01T03：00：00）、[2017-11-02T00：00：00、2017-11-02T03：00：00）、[2017-11-03T00：00：00、2017-11-03T03：00：00）等。

上面 GROUP BY 语句的第三个参数是每个时间间隔移动的滑动步长。

然后系统将使用 WHERE 子句中的时间和值过滤条件和 GROUP BY 语句的第一个参数作为数据过滤条件，得到满足过滤条件的数据（本例中为（2017-11-01T01：00：00，2017-11-07T23：00：00]且满足root.ln.wf01.wt01.温度>20）范围内的数据， 并将这些数据映射到之前分段的时间轴（在这种情况下，从 3-2017-11T01：00：00 到 00-2017-11T07：23：00，每天每 00 小时都有映射的数据）。

左开和右闭合范围

SQL 语句为：

1. select count(status) from root.ln.wf01.wt01 group by((5, 40], 5ms);

在此 sql 中，时间间隔为左打开和右关闭，因此我们不会包含时间戳 5 的值，而是包含时间戳 40 的值。

我们将得到如下结果：

使用 Fill 子句的降频聚合查询

在按填充分组中，分组依据子句不支持滑动步骤

现在，分组按填充仅支持last_value聚合函数。

在按填充分组中不支持线性填充。

上一个和以前的区别

• PREVIOUS 将填充任何空值，只要存在它之前的值不是空值。
• PREVIOUSUNTILLAST 不会填充时间在该时间序列的最后一个时间之后的结果。

SQL 语句为：

1. SELECT last_value(temperature) FROM root.ln.wf01.wt01 GROUP BY([8, 39), 5m) FILL (int32[PREVIOUSUNTILLAST])

这意味着：

使用上一页填充方式填充源下频聚合查询结果。

GROUP BY 语句中 SELECT 后面的路径必须是聚合函数，否则系统会给出相应的错误提示，如下所示：

最后一点查询

在 IoT 设备快速更新数据的场景中，用户对 IoT 设备的最新点更感兴趣。

最后一个点查询是以三列格式返回给定时间序列的最新数据点。

SQL 语句定义为：

1. select last <Path> [COMMA <Path>]* from < PrefixPath > [COMMA < PrefixPath >]* <DISABLE ALIGN>

这意味着：查询并返回时间序列前缀 Path.path 的最后一个数据点。

结果将以三列表格式返回。

1. | Time | Path | Value |

示例 1：获取 root.ln.wf01.wt01.speed 的最后一点：

1. > select last speed from root.ln.wf01.wt01
3. | Time | Path | Value |
4. | --- | ----------------------- | ----- |
5. | 5 | root.ln.wf01.wt01.speed | 100 |

示例 2：获取 root.ln.wf01.wt01 的最后一个速度、状态和温度点

1. > select last speed, status, temperature from root.ln.wf01.wt01
3. | Time | Path | Value |
4. | --- | ---------------------------- | ----- |
5. | 5 | root.ln.wf01.wt01.speed | 100 |
6. | 7 | root.ln.wf01.wt01.status | true |
7. | 9 | root.ln.wf01.wt01.temperature| 35.7 |

自动灌装

在IoTDB的实际使用中，在进行时间序列的查询操作时，可能会出现某些时间点值为null的情况，这会阻碍用户的进一步分析。为了更好地反映数据更改的程度，用户希望自动填充缺失值。因此，IoTDB系统引入了自动填充功能。

自动填充功能是指在对单列或多列进行时间序列查询时，根据用户指定的方法和有效时间范围填充空值。如果查询点的值不为 null，则填充函数将不起作用。

注意：在当前版本中，IoTDB为用户提供了两种方法：先前和线性。上一种方法用以前的值填充空白。线性方法通过线性拟合填充空白。并且 fill 函数只能在执行时间点查询时使用。

填充功能

• 上一个函数

当查询时间戳的值为 null 时，使用上一个时间戳的值来填充空白。形式化的先前方法如下（有关详细语法，请参见第 7.1.3.6 节）：

1. select <path> from <prefixPath> where time = <T> fill(<data_type>[previous, <before_range>], …)

所有参数的详细说明见表3-4。

**表3-4 以前的填充参数列表**

在这里，我们给出了使用前面的方法填充空值的示例。SQL 语句如下：

1. select temperature from root.sgcc.wf03.wt01 where time = 2017-11-01T16:37:50.000 fill(float[previous, 1m])

这意味着：

由于时间序列 root.sgcc.wf03.wt01.temperature在 2017-11-01T16：37：50.000 为空，因此系统使用之前的时间戳 2017-11-01T16：37：00.000（时间戳在 [2017-11-01T16：36：50.000， 2017-11-01T16：37：50.000] 时间范围内）进行填充和显示。

在示例数据，此语句的执行结果如下所示：

值得注意的是，如果在指定的有效时间范围内没有值，系统将不会填充null值，如下所示：

• 线性法

当查询时间戳的值为 null 时，使用上一个和下一个时间戳的值来填充空白。形式化的线性方法如下：

1. select <path> from <prefixPath> where time = <T> fill(<data_type>[linear, <before_range>, <after_range>]…)