Timescale Cloud:性能、规模、企业级

自托管产品

MST

TimescaleDB 提供了许多 SQL 函数和视图来帮助您与数据交互并管理数据。请参阅以下完整列表或按关键词搜索以查找特定 API 的参考文档。

超表和分块

hypertable_detailed_size
获取超表使用的磁盘空间的详细信息
hypertable_size
获取超表使用的总磁盘空间
add_reorder_policy
添加策略以重新排序超表分块中的行
add_dimension
向超表添加空间分区维度
add_dimension
向超表添加空间分区维度
attach_tablespace
将表空间附加到超表
chunks_detailed_size
获取分块使用的磁盘空间的详细信息
create_hypertable
创建超表
create_hypertable
创建超表
CREATE INDEX (分块事务)
使用每个分块的单独事务创建超表索引
detach_tablespace
从超表分离表空间
detach_tablespaces
从超表分离所有表空间
CREATE TABLE
创建表或超表
disable_chunk_skipping
禁用超表分块列的范围跟踪
enable_chunk_skipping
启用超表分块列的范围跟踪
hypertable_approximate_detailed_size
获取超表使用的近似磁盘空间的详细信息
hypertable_approximate_size
获取超表使用的近似总磁盘空间
hypertable_detailed_size
获取超表使用的磁盘空间的详细信息
hypertable_index_size
获取超表索引使用的磁盘空间
hypertable_size
获取超表使用的总磁盘空间
merge_chunks
将两个或更多分块合并为一个分块
move_chunk
将分块及其索引移动到不同的表空间
remove_reorder_policy
从超表删除重新排序策略
reorder_chunk
重新排序分块中的行
set_chunk_time_interval
更改超表的分块时间间隔
set_integer_now_fun
定义整数时间值和实际时间之间的关系
show_chunks
显示属于超表的分块
show_tablespaces
显示附加到超表的表空间
split_chunk
在特定时间点拆分一个大分块。

连续聚合

add_continuous_aggregate_policy
添加策略以安排连续聚合的自动刷新
add_policies
在连续聚合上添加刷新、压缩和数据保留策略
ALTER MATERIALIZED VIEW (连续聚合)
更改现有连续聚合
alter_policies
更改连续聚合上的刷新、压缩或数据保留策略
cagg_migrate
将连续聚合从旧格式迁移到 TimescaleDB 2.7 中引入的新格式
CREATE MATERIALIZED VIEW (连续聚合)
在超表或另一个连续聚合上创建连续聚合
DROP MATERIALIZED VIEW (连续聚合)
删除连续聚合视图
refresh_continuous_aggregate
手动刷新连续聚合
remove_all_policies
从连续聚合中删除所有策略
remove_continuous_aggregate_policy
从连续聚合中删除刷新策略
remove_policies
从连续聚合中删除刷新、压缩或数据保留策略
show_policies
显示当前在连续聚合上设置的所有策略

压缩

add_compression_policy
添加策略以安排分块的自动压缩
ALTER TABLE (压缩)
更改压缩超表上的压缩设置
chunk_compression_stats
获取分块的压缩相关统计信息
compress_chunk
手动压缩给定分块
hypertable_compression_stats
获取与压缩相关的超表统计信息
recompress_chunk
重新压缩在压缩后插入新数据的分块
remove_compression_policy
从超表删除压缩策略
decompress_chunk
解压缩已压缩的分块

数据保留

add_retention_policy
添加策略以删除旧分块
remove_retention_policy
从超表删除保留策略
drop_chunks
按时间范围删除分块

超函数:下采样

asap_smooth
使用 ASAP 平滑算法对时间序列进行下采样
gp_lttb
使用最大三桶法对时间序列进行下采样,同时保留原始数据中的间隙
lttb
使用最大三桶法对时间序列进行下采样

超函数:饱和数学

saturating_add_pos
将两个数字相加,最小边界饱和为 0
saturating_mul
将两个数字相乘,在 32 位整数边界处饱和,而不是溢出
saturating_sub
一个数字减去另一个数字,在 32 位整数边界处饱和,而不是溢出
saturating_sub_pos
一个数字减去另一个数字,最小边界饱和为 0
saturating_add
将两个数字相加,在 32 位整数边界处饱和,而不是溢出

超函数:财务分析:candlestick_agg()

candlestick
将预聚合的 K 线数据转换为正确形式,以便与 candlestick_agg 函数一起使用
candlestick_agg
将 Tick 数据聚合为中间形式以进行进一步计算
close
从 K 线聚合中获取收盘价
close_time
从 K 线聚合中获取对应收盘时间的 timestamp
high
从 K 线聚合中获取最高价
high_time
从 K 线聚合中获取对应最高时间的 timestamp
low
从 K 线聚合中获取最低价
low_time
从 K 线聚合中获取对应最低时间的 timestamp
open
从 K 线聚合中获取开盘价
open_time
从 K 线聚合中获取对应开盘时间的 timestamp
rollup
合并多个 K 线聚合
volume
从 K 线聚合中获取总成交量
vwap
从 K 线聚合中获取成交量加权平均价

超函数:状态跟踪:compact_state_agg()

compact_state_agg
将状态数据聚合为状态聚合以进行进一步分析
duration_in
从状态聚合中计算在给定状态下花费的总时间
interpolated_duration_in
从状态聚合中计算在给定状态下花费的总时间,并在时间桶边界处插值
into_values
将状态聚合展开为一组行,显示每个状态的持续时间
rollup
组合多个状态聚合

超函数:频率分析:count_min_sketch()

approx_count
CountMinSketch 估算值出现的次数
count_min_sketch
将数据聚合到 CountMinSketch 中进行近似计数

超函数:计数器和测量:counter_agg()

corr
从计数器聚合中计算相关系数
counter_agg
将计数器数据聚合为中间形式以进行进一步分析
counter_zero_time
计算计数器值预计为零的时间
delta
从计数器聚合中计算计数器的变化
extrapolated_delta
从计数器聚合中计算外推变化
extrapolated_rate
从计数器聚合中计算外推变化率
first_time
从计数器聚合中获取第一个 timestamp
first_val
从计数器聚合中获取第一个值
idelta_left
计算计数器聚合左侧(或最早)边缘的瞬时变化
idelta_right
计算计数器聚合右侧(或最新)边缘的瞬时变化
intercept
从计数器聚合中计算 y 截距
interpolated_delta
计算计数器的变化,根据需要在边界处插值
interpolated_rate
计算计数器的变化率,根据需要在边界处插值
irate_left
计算计数器聚合左侧(或最早)边缘的瞬时变化率
irate_right
计算计数器聚合右侧(或最新)边缘的瞬时变化率
last_time
从计数器聚合中获取最后一个 timestamp
last_val
从计数器聚合中获取最后一个值
num_changes
从计数器聚合中获取计数器更改的次数
num_elements
从计数器聚合中获取具有不同 timestamp 的点数
num_resets
从计数器聚合中获取计数器重置的次数
rate
从计数器聚合中计算变化率
rollup
组合多个计数器聚合
slope
从计数器聚合中计算斜率
time_delta
从计数器聚合中计算第一个和最后一个时间之间的差异
with_bounds
向计数器聚合添加边界

超函数:频率分析:freq_agg()

freq_agg
将数据聚合为节省空间的聚合,以进行进一步的频率分析
into_values
从节省空间的聚合中获取所有频率估算的表格
max_frequency
获取节省空间的聚合中给定值的估计频率的上限
mcv_agg
将数据聚合为节省空间的聚合,以进一步计算最频繁的值
min_frequency
获取节省空间的聚合中给定值的估计频率的下限
rollup
组合多个频率聚合
topn
从节省空间的聚合中获取前 N 个最常见的值

超函数:计数器和测量:gauge_agg()

corr
从测量聚合中计算相关系数
delta
从测量聚合中计算测量的变化
extrapolated_delta
从测量聚合中计算外推变化
extrapolated_rate
从测量聚合中计算外推变化率
gauge_agg
将测量数据聚合为中间形式以进行进一步分析
gauge_zero_time
计算测量值预计为零的时间
idelta_right
计算测量聚合右侧(或最新)边缘的瞬时变化
idelta_left
计算测量聚合左侧(或最早)边缘的瞬时变化
intercept
从测量聚合中计算 y 截距
interpolated_delta
计算测量的变化,根据需要在边界处插值
interpolated_rate
计算测量中的变化率,根据需要在边界处插值
irate_left
计算测量聚合左侧(或最早)边缘的瞬时变化率
num_changes
从测量聚合中获取测量更改的次数
irate_right
计算测量聚合右侧(或最新)边缘的瞬时变化率
num_elements
从测量聚合中获取具有不同 timestamp 的点数
rate
从测量聚合中计算变化率
rollup
组合多个测量聚合
slope
从测量聚合中计算斜率
time_delta
从测量聚合中计算第一个和最后一个时间之间的差异
with_bounds
向测量聚合添加边界

超函数:状态跟踪:heartbeat_agg()

dead_ranges
从 heartbeat_agg 获取停机间隔
heartbeat_agg
从一组心跳创建存活聚合
downtime
获取心跳聚合期间的总停机时间
interpolate
使用前置信息调整心跳聚合
interpolated_downtime
从心跳聚合和前置获取总停机时间
interpolated_uptime
从心跳聚合和前置获取总运行时间
live_at
测试聚合是否在给定时间有心跳覆盖
live_ranges
从 heartbeat_agg 获取活动间隔
num_gaps
计算活动范围之间的间隙数量
num_live_ranges
计算活动范围的数量
rollup
组合多个心跳聚合
trim_to
减少心跳聚合的覆盖间隔
uptime
获取心跳聚合期间的总运行时间

超函数:近似计数:hyperloglog()

approx_count_distinct
将数据聚合到 hyperloglog 中,用于近似计数,无需指定桶的数量
distinct_count
从 hyperloglog 估算不同值的数量
hyperloglog
将数据聚合到 hyperloglog 中进行近似计数
rollup
合并多个 hyperloglogs
stderror
估算 hyperloglog 的相对标准误差

超函数:最小值和最大值:max_n()

into_array
从 MaxN 聚合返回最高值数组
into_values
从 MaxN 聚合返回最高值
max_n
查找一组数据中的最大值
rollup
组合多个 MaxN 聚合

超函数:最小值和最大值:max_n_by()

into_values
从 MaxNBy 聚合返回最高值和相关数据
max_n_by
跟踪一组值中的最大值及相关数据
rollup
组合多个 MaxNBy 聚合

超函数:最小值和最大值:min_n()

into_array
从 MinN 聚合返回最低值数组
into_values
从 MinN 聚合返回最低值
min_n
查找一组数据中的最小值
rollup
组合多个 MinN 聚合

超函数:最小值和最大值:min_n_by()

into_values
从 MinNBy 聚合返回最低值和相关数据
min_n_by
跟踪一组值中的最小值及相关数据
rollup
组合多个 MinNBy 聚合

超函数:状态跟踪:state_agg()

duration_in
从状态聚合中计算在给定状态下花费的总时间
interpolated_duration_in
从状态聚合中计算在给定状态下花费的总时间,并在时间桶边界处插值
interpolated_state_periods
从状态聚合中获取与给定状态对应的时间段,并在时间桶边界处插值
interpolated_state_timeline
从状态聚合中获取所有状态的状态,并在时间桶边界处插值
into_values
将状态聚合展开为一组行,显示每个状态的持续时间
rollup
组合多个状态聚合
state_at
确定给定时间的状态
state_timeline
从状态聚合中获取所有状态的状态
state_periods
从状态聚合中获取与给定状态对应的时间段
state_agg
将状态数据聚合为状态聚合以进行进一步分析

超函数:统计和回归分析:stats_agg() (一变量)

average
从一维统计聚合中计算平均值
kurtosis
从一维统计聚合中计算峰度
num_vals
计算一维统计聚合中的值数量
rolling
组合多个一维统计聚合以计算滚动窗口聚合
rollup
组合多个一维统计聚合
skewness
从一维统计聚合中计算偏度
stats_agg (一变量)
将数据聚合为中间统计聚合形式以进行进一步计算
stddev
从一维统计聚合中计算标准差
variance
从一维统计聚合中计算方差
sum
从一维统计聚合中计算总和

超函数:统计和回归分析:stats_agg() (两变量)

corr
从二维统计聚合中计算相关系数
covariance
从二维统计聚合中计算协方差
determination_coeff
从二维统计聚合中计算决定系数
average_y, average_x
从二维统计聚合中计算指定维度的平均值
intercept
从二维统计聚合中计算截距
kurtosis_y, kurtosis_x
从二维统计聚合中计算指定维度的峰度
num_vals
计算二维统计聚合中的值数量
rolling
组合多个二维统计聚合以计算滚动窗口聚合
rollup
组合多个二维统计聚合
skewness_y, skewness_x
从二维统计聚合中计算指定维度的偏度
stats_agg (两变量)
将数据聚合为中间统计聚合形式以进行进一步计算
slope
从二维统计聚合中计算斜率
stddev_y, stddev_x
从二维统计聚合中计算指定维度的标准差
sum_y, sum_x
从二维统计聚合中计算指定维度的总和
variance_y, variance_x
从二维统计聚合中计算指定维度的方差
x_intercept
从二维统计聚合中计算 x 截距

超函数:百分位近似:tdigest()

approx_percentile
tdigest 中估算给定百分位的值
approx_percentile_rank
tdigest 中估算给定值的百分位
mean
tdigest 中的值计算精确平均值
num_vals
获取 tdigest 中包含的值的数量
tdigest
将数据聚合到 tdigest 中,以进一步计算百分位估算值
rollup
合并多个 tdigest

超函数:间隙填充

interpolate
通过线性插值填充缺失值
locf
通过向前携带最后一个观测值来填充缺失值
time_bucket_gapfill
按时间间隔分桶行,同时填充数据中的间隙

超函数:时间加权计算:time_weight()

average
计算 TimeWeightSummary 中值的时间加权平均值
first_time
TimeWeightSummary 聚合中获取第一个 timestamp
first_val
TimeWeightSummary 聚合中获取第一个值
integral
TimeWeightSummary 中计算积分
interpolated_average
计算一个间隔内的时间加权平均值,同时插值间隔边界
interpolated_integral
计算一个间隔内的积分,同时插值间隔边界
last_time
TimeWeightSummary 聚合中获取最后一个 timestamp
last_val
TimeWeightSummary 聚合中获取最后一个值
rollup
组合多个 TimeWeightSummaries
time_weight
将数据聚合为中间时间加权聚合形式,以进行进一步计算

超函数:百分位近似:uddsketch()

approx_percentile
uddsketch 中估算给定百分位的值
approx_percentile_array
uddsketch 中估算给定百分位数组的值
approx_percentile_rank
uddsketch 中估算给定值的百分位
error
获取 uddsketch 的最大相对误差
num_vals
获取 uddsketch 中包含的值的数量
mean
uddsketch 中的值计算精确平均值
percentile_agg
将数据聚合到 uddsketch 中,使用一些合理的默认值,以进一步计算百分位估算值
rollup
合并多个 uddsketch
uddsketch
将数据聚合到 uddsketch 中,以进一步计算百分位估算值

分布式超表

alter_data_node
更改数据节点的配置
add_data_node
向多节点集群添加新数据节点
attach_data_node
将数据节点附加到分布式超表
cleanup_copy_chunk_operation
清理失败的分块移动或分块复制操作
copy_chunk
在分布式超表的数据节点之间复制分块
create_distributed_restore_point
为多节点集群中的所有节点创建一致的还原点
create_distributed_hypertable
在多节点集群中创建分布式超表
delete_data_node
从数据库中删除数据节点并将其从所有超表分离
detach_data_node
从一个或所有超表分离数据节点
distributed_exec
在多节点集群的所有数据节点上执行过程
move_chunk
将分块移动到多节点集群中的不同数据节点
set_number_partitions
设置超表的哈希分区数
set_replication_factor
设置分布式超表的复制因子

超核心(Hypercore)

add_columnstore_policy
设置策略以在超表分块达到给定时间时自动将其移动到列式存储中。
ALTER MATERIALIZED VIEW (超核心)
更改现有连续聚合
ALTER TABLE (超核心)
为超表启用列式存储。
timescaledb_information.chunk_columnstore_settings
获取列式存储中每个分块的设置信息
chunk_columnstore_stats
获取列式存储中分块的统计信息
convert_to_columnstore
手动将分块添加到列式存储
convert_to_rowstore
将分块从列式存储移动到行式存储
timescaledb_information.hypertable_columnstore_settings
获取所有超表的列式存储设置信息
hypertable_columnstore_stats
获取与列式存储相关的列式存储统计信息
remove_columnstore_policy
从超表删除列式存储策略

超函数:通用

approximate_row_count
估算表中的行数
first
当行按另一列排序时,获取一列中的第一个值
days_in_month
给定 timestamptz 计算月份中的天数
histogram
将数据集分区到桶中,并获取每个桶中的计数数量
last
当行按另一列排序时,获取一列中的最后一个值
month_normalize
根据月份中的天数规范化月度指标
time_bucket
按时间间隔对行进行分桶以计算聚合
timescaledb_experimental.time_bucket_ng
按时间间隔分桶行,支持时区、月份和年份

信息视图

timescaledb_information.chunk_compression_settings
获取所有分块的压缩设置信息
timescaledb_information.chunks
获取超表分块的元数据
timescaledb_information.compression_settings
获取超表的压缩设置信息
timescaledb_information.continuous_aggregates
获取连续聚合的元数据和设置信息
timescaledb_information.data_nodes
获取多节点集群中数据节点的信息
timescaledb_information.dimensions
获取超表维度的信息
timescaledb_information.hypertable_compression_settings
获取所有超表的压缩设置信息
timescaledb_information.hypertables
获取超表的元数据
timescaledb_information.jobs
获取所有已注册自动调度程序的作业信息
timescaledb_experimental.policies
获取连续聚合上设置的所有策略信息
timescaledb_information.job_stats
获取自动运行作业的信息和统计数据

其他

timescaledb_information.job_errors
获取后台作业错误信息
timescaledb_information.history
获取后台作业执行信息

作业

add_job
添加作业以自动运行函数或过程
alter_job
更改计划自动运行的作业
delete_job
从自动调度程序中删除作业
run_job
手动运行作业

关键词

此页面有问题?报告问题 或 编辑此页面 在 GitHub 上。