@clickzetta/cz-cli-darwin-x64 0.3.1

package/bin/skills/lakehouse-doc/references/web-job-history.md

@@ -0,0 +1,163 @@
+# Lakehouse作业历史
+
+通过作业历史页面，您可以查看过去 7 天内在 Lakehouse 帐户中执行的查询的详细信息。该页面显示查询的历史作业列表，包括使用 JDBC jar 提交的任务、Studio 临时查询、Studio 周期调度任务。
+
+## 作业历史
+
+## 查看历史记录
+
+通过左侧导航栏点击“计算”，再点击“作业历史”，可以进入作业历史页面：
+
+:-: ![](.topwrite/assets/image_1736306875644.png =799)
+
+## 界面
+
+* 支持根据SQL作业产生的作业ID进行搜索
+* 支持根据状态搜索
+  * 初始化:SQL初始化阶段，包含编译优化等操作
+  * 集群启动中:等待启动vc耗时，如果长时间未拉起请联系技术支持
+  * 等待执行:作业排队等待资源，如果耗时较长建议查看vc资源是否占满，建议扩容vc
+  * 正在执行:SQL处理数据时间，可以点到诊断查看每个算子耗时
+  * 执行成功:运行结束,部分作业可能在这一阶段清理过程，会产生耗时
+* 支持按耗时筛选
+* 支持按时间筛选，目前最多能查询到近七天的一万条作业
+* 支持按照作业运行的集群名称进行筛选
+* 支持按照作业的提交人进行筛选
+* 支持根据 queryTag 筛选
+  用户在提交 SQL 的时候可以通过命令 `set query_tag=""` 用来表示作业来源和给作业打标，并且在这个界面方便过滤。
+  * 在studio界面设置query\_tag,选中两条SQL同时执行
+  ```SQL
+      set query_tag="test";
+      select 1;
+  ```
+  * 在jdbc url中添加query\_tag,这样提交的每条SQL都会带上query\_tag用来标示来源，可以在页面中进行过滤
+  ```text
+  jdbc:clickzetta://demo_instance.cn-shanghai-alicloud.api.clickzetta.com/default?schema=public&query_tag=test
+
+  ```
+  * python代码中设置query\_tag
+  ```python
+  # 建立连接 
+  conn = connect(username='',
+   password='', 
+  service='cn-shanghai-alicloud.api.clickzetta.com', 
+  instance='demo_instance',
+   workspace='', schema='public', vcluster='default') 
+  # 执行 SQL 
+  cursor = conn.cursor() 
+  my_param["hints"]["query_tag"] ="test"
+  cursor.execute('select 1;', parameters=my_param)
+
+  ```
+* 作业的默认 Schema，提交 SQL 时运行的上下文环境，可以通过 `select current_schema()` 获取。
+
+## 作业详情
+
+进入作业详情可以查看作业的详细信息。
+
+:-: ![](.topwrite/assets/image_1700193800704.png =794)
+
+### stage界面
+
+SQL执行划分成每个stage，stage由下往上执行。点击具体的stage可以看到每个stage的具体耗时
+
+:-: ![](.topwrite/assets/image_1700193813858.png =782)
+
+**字段信息解释如下**
+
+|            |                                                                                   |
+| ---------- | --------------------------------------------------------------------------------- |
+| 字段         | 描述                                                                                |
+| 状态         | 表示作业的状态，当前包含
等待执行：等待资源
正在执行：正在运行，作业正在处理数据
执行成功：作业运行成功
执行失败：作业运行失败 |
+| 开始时间       | stage的开始时间，在分析型集群stage会同时运行                                                       |
+| 结束时间       | 作业运行结束时间                                                                          |
+| 耗时         | stage运行耗时时长                                                                       |
+| 溢出到磁盘      | 溢出到磁盘的数据大小，此参数可以了解到是否是因为集群内存资源不够导致性能慢                                             |
+| 从缓存中读取     | 在分析型集群中，已经读取的数据会先cache数据。加速计算                                                     |
+| 包含operator | stage                                                                             |
+
+### operator界面
+
+在operator界面可以查看每个operator类型和上下游依赖关系。Operator 是查询计划中的一个概念，它表示执行一个查询的具体步骤和策略，包括数据访问、转换和更新。
+
+:-: ![](.topwrite/assets/image_1700193823787.png =567)
+
+**字段信息解释如下**
+
+| 字段 | 描述 |
+| :--- | :--- |
+| 所属 stage | 对应 operator 的 stage |
+| 溢出到磁盘 | 溢出到磁盘的数据大小，此参数可以了解到是否是因为集群内存资源不够导致性能慢 |
+| 从缓存中读取 | 在分析型集群中，已经读取的数据会先 cache 数据，以加速计算 |
+| 总行数 | 当前 operator 处理的数据 |
+| 耗时 | operator 会并发运行，当前显示为 operator 的平均时间 |
+| 字段 | 和 SQL 脚本对应的字段 |
+
+### 表格模式
+
+支持stage切换表格模式
+
+:-: ![](.topwrite/assets/image_1700193833415.png =799)
+
+支持 operator 切换表格模式
+![](.topwrite/assets/image_1700193839535.png =793)
+
+## 分析运行出错的作业
+
+当作业运行失败时，您可以通过作业的job profile中的详情来查看失败原因。以下是一些常见的失败原因及解决方法：
+
+### SQL语法错误
+
+**错误示例**：
+
+```SQL
+执行 select * from ttt;
+报错 :CZLH-42000:[1,15] Semantic analysis exception - table or view not found - uat_demo_project.`public`.ttt
+```
+
+**错误码 CZLH-42000** 表示与 SQL 语言解析相关的错误。`[1,15]` 表示错误发生在 SQL 的第 1 行，第 15 个字符。在这个例子中，原因是`ttt`表不存在。
+
+## 分析运行缓慢的作业
+
+运行缓慢的作业可能在编译阶段、拉起virtual cluster阶段或执行阶段出现问题。以下是针对这些阶段的分析和解决方法：
+
+### 编译阶段
+
+**问题现象**：作业状态显示为“初始化”。
+
+**可能原因及解决措施**：
+
+1. **执行计划复杂**：作业可能需要较长时间进行优化。请耐心等待，正常情况下不会超过10分钟。
+2. **编译资源被占满**：如果您一瞬间提交了大量SQL，可能导致编译资源不足。请减少提交SQL的频率。如有大量高并发查询需求，请提交工单寻求帮助。
+
+### 拉起virtual cluster阶段
+
+**问题现象**：作业状态显示为“集群启动中”。（当前状态为正在拉起计算集群）
+
+### 等待执行阶段
+
+**问题现象**：作业状态显示为“等待执行”。
+
+**可能原因及解决措施**：
+1.  **当前集群的计算资源不足**：可以通过界面筛选查看当前正在运行的作业，可能因大量作业正在运行导致等待资源。可以扩容资源，或者将正在运行的大作业终止以释放资源。
+
+### 执行阶段
+
+**问题现象**：作业状态显示为“正在执行中”。在这一阶段你可以点进查看每个算子的执行情况。
+
+**可能原因及解决措施**：
+
+1. **等待资源**：作业可能在等待资源分配。请检查资源使用情况，如有需要，请提交工单寻求帮助。
+2. **数据读取速度慢**：作业可能因为数据读取速度慢而导致执行缓慢。请检查数据存储和读取策略，如有需要，请优化数据存储结构或调整读取策略。
+
+### 分享给其他人诊断
+
+进入作业详情页面后，点击“分享”按钮，即可将作业分享给第三方。接收者无需登录即可查看内容。
+:-: ![](.topwrite/assets/image_1740557522715.png =774)
+如有疑问或需要进一步帮助，请复制上方链接并联系 Lakehouse 团队，我们将为您诊断并解决问题。
+
+## 查看执行计划和Operator详情
+
+在执行阶段，您可以通过点击具体的 operator 来查询其执行步骤和策略。例如，将鼠标移动到具体的 operator 上，可以对应到 SQL 中具体执行的算子。这有助于您发现具体是哪个 operator 导致作业缓慢。
+
+:-: ![](.topwrite/assets/image_1700210552306.png =771)

package/bin/skills/lakehouse-doc/references/what_is_clickzetta_lakehouse.md

@@ -0,0 +1,92 @@
+# 云器 Lakehouse 产品简介
+
+云器 Lakehouse 是一种创新的湖仓架构服务，通过全面托管的湖仓一体架构，彻底革新了企业数据管理方式。云器 Lakehouse 平台并非传统数据库技术或“大数据”软件平台的简单延伸，而是基于全新的云原生设计理念从零打造，并配备了一个全新设计的 SQL 计算引擎。这一架构赋予云器 Lakehouse 企业级数据湖/数据仓库的所有能力，同时还拥有众多特殊功能和独特优势。
+
+通过无缝整合数据仓库、数据湖探索、实时与批量数据处理以及商业智能报表等关键组件，云器 Lakehouse 能够满足企业在不同发展阶段对动态扩展性、成本控制和性能优化的需求。我们专注于存储与计算分离以及 Serverless 弹性计算，同时结合 AI 优化工具，极大简化了数据开发与管理流程。这不仅帮助客户更快、更高效地获取洞察，还以无与伦比的灵活性和易用性充分释放数据的全部潜力。
+
+云器 Lakehouse 采用存算分离和 Serverless 弹性算力技术，并具备智能优化特性，旨在简化数据开发和管理工作，加速企业数据洞察和价值实现。
+
+:-: ![](.topwrite/assets/Lakehouse_Architecture.png =800)
+
+## 产品核心功能
+
+我们致力于为企业级用户提供卓越的管理体验，同时不断提升平台的易用性、灵活性和开放性，确保用户能够享受到最佳的服务。
+
+:-: ![](.topwrite/assets/image_1691805144923.png =800)
+
+## 产品主要特性
+
+### 真正实现全托管的数据平台云服务
+
+云器 Lakehouse 是一项真正的全托管云服务，这意味着：
+
+* 您无需选择、安装、配置或管理任何硬件，无论是虚拟还是物理设备，全都无需操心。
+* 实际上，您也无需进行任何软件的安装、配置或管理操作，一切交给我们来完成。
+* 所有的日常维护、管理、升级和性能调优，均由云器 Lakehouse 的专业团队为您精心处理。
+* 云器 Lakehouse 完全运行在云端基础设施之上。我们服务的每个组件（可选的命令行客户端、驱动程序和连接器除外）都托管在公有云环境中。
+* 在计算需求方面，云器 Lakehouse 使用虚拟计算实例；而对于持久化数据存储，则依托专用的存储服务。
+* 与传统的软件包产品不同，云器 Lakehouse 并非需要您自行安装的软件。我们负责所有软件的安装和更新工作，确保为用户提供无缝且无忧的使用体验。
+
+### 下一代SQL数据处理引擎
+
+云器 Lakehouse 搭载的 SQL 数据处理引擎能够同时满足批量处理、实时计算和在线分析的需求。无需依赖多个组件组合，用户可以通过单一引擎高效地进行数据处理和分析，显著降低数据应用开发的复杂性，加快价值的实现。
+
+该引擎基于云原生架构，采用存算分离模式和向量化执行引擎，确保在同等资源规模下的性能领先，在 TPCDS 10TB/TPCH 100GB/SSB 100GB 测试集上领先业界主流产品。
+
+:-: ![](.topwrite/assets/image_1691805451508.png =676)
+
+### Serverless弹性架构
+
+云器 Lakehouse 采用存算分离的虚拟计算集群设计，为 ETL 和分析场景提供专门的执行引擎，实现计算优化。用户可以根据业务需求创建不同的虚拟集群，实现业务间的相互隔离，并满足对高吞吐和高性能的不同需求。
+
+平台能够智能感知业务负载，自动管理集群的启停和弹性并发，实现低成本和高服务水平协议（SLA）的双重目标。
+
+:-: ![](.topwrite/assets/image_1691805470858.png =712)
+
+### 开放、无数据锁定
+
+云器 Lakehouse 的存储层兼容主流的开放存储格式，元数据服务以 Catalog 形式提供，允许外部引擎在通过身份认证和鉴权后访问数据文件。在统一的安全策略框架下，平台提供最佳的开放性，并借助丰富的开源生态系统，帮助企业释放更大的数据价值。
+
+:-: ![](.topwrite/assets/image_1691805492197.png =664)
+
+### 统一数据资产
+
+云器 Lakehouse 支持结构化数据的 Table 形式存储和非结构化数据的文件及目录形式存储。平台提供基于访问控制列表（ACL）的精细化权限控制，确保数据资产的统一管理和安全访问。此外，平台还支持非结构化数据的探索与分析，进一步提升数据利用效率。
+
+:-: ![](.topwrite/assets/image_1691805420547.png =640)
+
+### 数据开发与管理的一体化解决方案
+
+云器 Lakehouse 将数据处理引擎的能力与平台工具无缝集成，为用户提供统一的 Web 使用体验。平台覆盖数据集成、开发运维、数据目录、安全治理、数据分析和系统管理等多个方面，通过存算分离、按需弹性虚拟集群以及自动化运维和优化等特性，简化了基础设施的运维管理工作，为用户提供了 SaaS 化的一体化数据平台解决方案。
+
+:-: ![](.topwrite/assets/image_1691805513582.png =726)
+
+## 典型使用场景
+
+### 以一体化数据平台升级传统方案
+
+企业可以通过云器 Lakehouse 升级其传统的数据管理和分析方案，实现数据的高效管理和深入分析。
+
+:-: ![](.topwrite/assets/image_1691805218452.png =800)
+
+### 物联网数据分析场景
+
+云器 Lakehouse 适用于物联网数据分析场景，帮助企业从大量设备和传感器数据中提取有价值的信息，优化业务决策。
+
+:-: ![](.topwrite/assets/iot_use_case_1714395158457.png =800)
+
+### 面向客户的数据应用
+
+云器 Lakehouse 支持企业构建面向客户的数据分析应用，通过深入分析客户行为和偏好，提供个性化的服务和产品推荐。
+
+:-: ![](.topwrite/assets/image_1691805273592.png =800)
+
+我们相信，云器 Lakehouse 强大的功能性和灵活的特性，代表了数据管理和分析领域的一次重大飞跃。这个创新平台旨在为企业提供必要的工具，不仅能够更高效地处理数据，还能充分挖掘信息资产的全部潜力。借助云器 Lakehouse，企业可以期待简化数据流程，这为业务的可持续增长和持续创新铺平了道路。
+
+云器 Lakehouse 的强大功能，如增量计算和一站式数据开发与管理能力，都是为了满足现代数据工作流程的复杂需求而量身定制的。其灵活的特性允许与现有系统无缝集成，确保企业能够在不干扰当前运营的情况下利用数据。在快节奏的商业环境中，这种适应性对于快速调整和响应市场变化至关重要。
+
+通过使用云器 Lakehouse，企业将能够更好地管理数据，确保数据不仅仅是存储，还能以支持明智决策的方式组织和访问。平台的直观界面和强大的数据治理框架，对于数据科学家、分析师和企业领导者来说都是无价的资产。他们现在可以更深入地挖掘数据，揭示原本隐藏的模式和洞察，并利用这些发现来推动战略计划。
+
+此外，实时分析大量数据的能力，包括物联网数据，对于希望优化运营和客户体验的企业来说，是一场游戏规则的改变。云器 Lakehouse 使公司能够从大量的设备和传感器数据中提取有价值的信息，这对于制造业、医疗保健和交通运输等行业至关重要。这一能力支持在细粒度层面上进行数据驱动的决策，使企业能够精炼流程、降低成本并识别新的增长机会。
+
+云器 Lakehouse 不仅仅是一个数据管理和分析的工具，它是业务转型的催化剂。其强大的功能性和灵活的特性旨在帮助企业驾驭大数据的复杂性，确保企业能够以前所未有的精确性和速度管理、分析和行动数据。这赋予了企业实现可持续增长、驱动创新并在不断变化的市场中保持竞争优势的能力。

package/bin/skills/lakehouse-doc/references/window-function-summary.md

@@ -0,0 +1,134 @@
+## 窗口函数（Window Functions）
+
+窗口函数（Window Functions）是一种强大的SQL函数，它允许用户在一个查询中对数据集进行分组计算。与传统的聚合函数不同，窗口函数可以对每一行数据进行计算，同时保留原始数据的详细信息。窗口函数在数据分析、报表生成等场景中具有广泛的应用，例如计算排名、累计和、移动平均等。
+
+## 窗口函数的基本语法
+
+窗口函数的基本语法如下：
+
+```SQL
+<window_function> OVER (
+    [PARTITION BY <partition_expression>]
+    [ORDER BY <order_expression>]
+)
+```
+
+* `<window_function>`：指定要使用的窗口函数，如`ROW_NUMBER()`、`RANK()`、`SUM()`等。
+* `PARTITION BY`：将数据集划分为不同的分区，每个分区是一个独立的计算范围。
+* `ORDER BY`：在每个分区内对数据进行排序，影响部分窗口函数的计算结果。
+
+## 窗口函数的分类
+
+根据功能和返回值类型，窗口函数可分为以下几类：
+
+1.  **排名函数（Ranking Functions）**：对数据进行排名，返回表示相对位置的整数值。常用排名函数包括`ROW_NUMBER()`、`RANK()`、`DENSE_RANK()`、`PERCENT_RANK()`、`CUME_DIST()`、`NTILE()`等。
+2.  **聚合函数（Aggregate Functions）**：对数据进行聚合计算，返回表示整体特征的值。Lakehouse支持所有标准的聚合函数。
+3.  **分析函数（Analytic Functions）**：对数据进行分析计算，返回表示数据特征的值。常用分析函数包括`FIRST_VALUE()`、`LAST_VALUE()`、`LAG()`、`LEAD()`、`NTH_VALUE()`、`CUME_DIST()`等。
+
+## 窗口函数的使用示例
+
+以下是一些使用窗口函数的SQL查询示例及其输出结果。假设我们有一个名为 `sales` 的表，它包含了每个月的销售额和利润率数据，如下所示：
+
+```SQL
+CREATE    TABLE sales (MONTH int, sales int, profit double);
+INSERT    INTO sales (MONTH, sales, profit)
+VALUES    (1, 100, 0.1),
+          (2, 120, 0.15),
+          (3, 80, 0.05),
+          (4, 150, 0.2),
+          (5, 90, 0.1),
+          (6, 110, 0.12);
+```
+
+### Ranking Functions
+
+* 查询：使用`ROW_NUMBER()`函数对销售额进行降序排名。
+
+```SQL
+SELECT month, sales, ROW_NUMBER() OVER (ORDER BY sales DESC) AS rank
+FROM sales;
++-------+-------+------+
+| month | sales | rank |
++-------+-------+------+
+| 4     | 150   | 1    |
+| 2     | 120   | 2    |
+| 6     | 110   | 3    |
+| 1     | 100   | 4    |
+| 5     | 90    | 5    |
+| 3     | 80    | 6    |
++-------+-------+------+
+```
+
+* 查询：使用`RANK()`函数对利润率进行升序排名，并按照季度进行分组。
+
+```SQL
+SELECT month, profit, RANK() OVER (PARTITION BY CEIL(month / 3) ORDER BY profit ASC) AS rank
+FROM sales;
++-------+--------+------+
+| month | profit | rank |
++-------+--------+------+
+| 3     | 0.05   | 1    |
+| 1     | 0.1    | 2    |
+| 2     | 0.15   | 3    |
+| 5     | 0.1    | 1    |
+| 6     | 0.12   | 2    |
+| 4     | 0.2    | 3    |
++-------+--------+------+
+```
+
+### Aggregate Functions
+
+* 查询：使用`AVG()`函数计算每个月的销售额与全年平均销售额的差值。
+
+```SQL
+SELECT month, sales, sales - AVG(sales) OVER () AS diff
+FROM sales;
++-------+-------+--------------------+
+| month | sales |        diff        |
++-------+-------+--------------------+
+| 1     | 100   | -8.333333333333329 |
+| 2     | 120   | 11.666666666666671 |
+| 3     | 80    | -28.33333333333333 |
+| 4     | 150   | 41.66666666666667  |
+| 5     | 90    | -18.33333333333333 |
+| 6     | 110   | 1.6666666666666714 |
++-------+-------+--------------------+
+```
+
+### Analytic Functions
+
+* 查询：使用`LAG()`函数和`LEAD()`函数计算每个月的销售额与上个月和下个月的销售额的差值。
+
+```SQL
+SELECT month, sales, sales - LAG(sales) OVER (ORDER BY month) AS prev_diff, sales - LEAD(sales) OVER (ORDER BY month) AS next_diff
+FROM sales;
++-------+-------+-----------+-----------+
+| month | sales | prev_diff | next_diff |
++-------+-------+-----------+-----------+
+| 1     | 100   | null      | -20       |
+| 2     | 120   | 20        | 40        |
+| 3     | 80    | -40       | -70       |
+| 4     | 150   | 70        | 60        |
+| 5     | 90    | -60       | -20       |
+| 6     | 110   | 20        | null      |
++-------+-------+-----------+-----------+
+```
+
+* 查询：使用`CUME_DIST()`函数计算每个月的销售额在全年销售额中的累积分布。
+
+```SQL
+SELECT month, sales, CUME_DIST() OVER (ORDER BY sales) AS cume_dist
+FROM sales;
++-------+-------+---------------------+
+| month | sales |      cume_dist      |
++-------+-------+---------------------+
+| 3     | 80    | 0.16666666666666666 |
+| 5     | 90    | 0.3333333333333333  |
+| 1     | 100   | 0.5                 |
+| 6     | 110   | 0.6666666666666666  |
+| 2     | 120   | 0.8333333333333334  |
+| 4     | 150   | 1.0                 |
++-------+-------+---------------------+
+```
+
+

package/bin/skills/lakehouse-doc/references/windowframe.md

@@ -0,0 +1,139 @@
+# Window Frame
+
+Window Frame 是在使用窗口函数时定义的一个子集，用于限制窗口函数的计算范围，只对窗口框架中的数据进行计算。通过窗口框架，可以更加精确地控制窗口函数的计算方式和结果。以下是窗口框架的详细说明和使用示例。
+
+## Window Frame语法
+
+在使用窗口函数时，可以通过 `OVER` 子句定义窗口框架，语法如下：
+
+```SQL
+<window_function> OVER (
+    [PARTITION BY <partition_expression>]
+    [ORDER BY <order_expression>]
+    [frame_clause>]
+)
+```
+
+其中，`<window_function>` 表示要使用的窗口函数名称，例如 `ROW_NUMBER()`、`RANK()`、`SUM()` 等。`PARTITION BY` 子句用于将数据分组，每个分组称为一个分区（partition）。`ORDER BY` 子句用于在每个分区中对数据进行排序，这将影响某些窗口函数的结果，如 `ROW_NUMBER()`、`RANK()` 等。`frame_clause` 用于定义窗口框架的范围，有两种形式：`ROWS frame` 和 `RANGE frame`。
+
+### ROWS frame
+
+`ROWS frame` 是基于行的窗口框架，用于指定窗口框架中包含的行数或位置。其语法如下：
+
+```SQL
+ROWS BETWEEN <start_boundary> AND <end_boundary>
+```
+
+`<start_boundary>` 和 `<end_boundary>` 用于定义窗口框架的起始和结束边界，可以是以下值之一：
+
+- `UNBOUNDED PRECEDING`：从分区的第一行开始。
+- `UNBOUNDED FOLLOWING`：到分区的最后一行结束。
+- `CURRENT ROW`：当前行。
+- `<offset> PRECEDING`：当前行之前的第`<offset>`行，`<offset>`为非负整数。
+- `<offset> FOLLOWING`：当前行之后的第`<offset>`行，`<offset>`为非负整数。
+
+### RANGE frame
+
+`RANGE frame` 是基于值的窗口框架，用于指定窗口框架中包含的行的值的范围。其语法如下：
+
+```SQL
+RANGE BETWEEN <start_boundary> AND <end_boundary>
+```
+
+`<start_boundary>` 和 `<end_boundary>` 用于定义窗口框架的起始和结束边界，可以是以下值之一：
+
+- `UNBOUNDED PRECEDING`：从分区中最小值开始。
+- `UNBOUNDED FOLLOWING`：到分区中最大值结束。
+- `CURRENT ROW`：当前行的值。
+- `<value> PRECEDING`：当前行的值减去`<value>`，`<value>`为非负数。
+- `<value> FOLLOWING`：当前行的值加上`<value>`，`<value>`为非负数。
+
+## Window Frame的使用示例
+
+以下是一些使用 Window Frame 的 SQL 查询示例，以及它们的输出结果。假设我们有一个名为 sales 的表，它包含了每个月的销售额和利润率的数据，如下所示：
+
+
+
+| month | sales | profit |
+| ----- | ----- | ------ |
+| 1     | 100   | 0.1    |
+| 2     | 120   | 0.15   |
+| 3     | 80    | 0.05   |
+| 4     | 150   | 0.2    |
+| 5     | 90    | 0.1    |
+| 6     | 110   | 0.12   |
+
+
+
+### ROWS frame
+
+* 查询：使用 `SUM()` 函数和 `ROWS frame` 计算每个月的销售额与前两个月和后两个月的销售额的总和。
+
+```SQL
+SELECT month, sales, SUM(sales) OVER (ORDER BY month ROWS BETWEEN 2 PRECEDING AND 2 FOLLOWING) AS sum_sales
+FROM sales;
+
++-------+-------+-----------+
+| month | sales | sum_sales |
++-------+-------+-----------+
+| 1     | 100   | 300       |
+| 2     | 120   | 450       |
+| 3     | 80    | 540       |
+| 4     | 150   | 550       |
+| 5     | 90    | 430       |
+| 6     | 110   | 350       |
++-------+-------+-----------+
+```
+
+* 查询：使用 `AVG()` 函数和 `ROWS frame` 计算每个月的利润率与前一个月和后一个月的利润率的平均值。
+
+```SQL
+SELECT month, profit, AVG(profit) OVER (ORDER BY month ROWS BETWEEN 1 PRECEDING AND 1 FOLLOWING) AS avg_profit
+FROM sales;
++-------+--------+---------------------+
+| month | profit |     avg_profit      |
++-------+--------+---------------------+
+| 1     | 0.1    | 0.125               |
+| 2     | 0.15   | 0.09999999999999999 |
+| 3     | 0.05   | 0.13333333333333333 |
+| 4     | 0.2    | 0.11666666666666665 |
+| 5     | 0.1    | 0.14                |
+| 6     | 0.12   | 0.11                |
++-------+--------+---------------------+
+```
+
+### RANGE frame
+
+* 查询：使用 `COUNT()` 函数和 `RANGE frame` 计算每个月的销售额在全年销售额中的分布，即有多少个月的销售额与当前月的销售额相差不超过 10。
+
+```SQL
+SELECT month, sales, COUNT(*) OVER (ORDER BY sales RANGE BETWEEN 10 PRECEDING AND 10 FOLLOWING) AS count_sales
+FROM sales;
++-------+-------+-------------+
+| month | sales | count_sales |
++-------+-------+-------------+
+| 3     | 80    | 2           |
+| 5     | 90    | 3           |
+| 1     | 100   | 3           |
+| 6     | 110   | 3           |
+| 2     | 120   | 2           |
+| 4     | 150   | 1           |
++-------+-------+-------------+
+```
+
+* 查询：使用 `MAX()` 函数和 `RANGE frame` 计算每个月的利润率与前一个月和后一个月的利润率的最大值。
+
+```SQL
+SELECT month, profit, MAX(profit) OVER (ORDER BY month RANGE BETWEEN 1 PRECEDING AND 1 FOLLOWING) AS max_profit
+FROM sales;
++-------+--------+------------+
+| month | profit | max_profit |
++-------+--------+------------+
+| 1     | 0.1    | 0.15       |
+| 2     | 0.15   | 0.15       |
+| 3     | 0.05   | 0.2        |
+| 4     | 0.2    | 0.2        |
+| 5     | 0.1    | 0.2        |
+| 6     | 0.12   | 0.12       |
++-------+--------+------------+
+```