关于 Timescale 超函数

Timescale Cloud：性能、规模、企业级

自托管产品

MST

Timescale 超函数是一组专门的功能，可为时序数据和事件提供实时分析能力。物联网设备、IT 系统、营销分析、用户行为、财务指标、加密货币——这些只是超函数能够发挥巨大作用的领域中的几个例子。超函数能为您提供有意义的、可操作的实时洞察。

Timescale Cloud 默认包含所有超函数，而自托管的 TimescaleDB 则包含其中的一部分。要使用更多超函数，请安装 Timescale Toolkit PostgreSQL 扩展。

可用的超函数

以下是 Timescale 提供的所有超函数列表。在 Toolkit 列带有勾选的超函数需要在自托管部署中安装 Timescale Toolkit。在 Experimental 列带有勾选的超函数仍在开发中。

警告

实验性功能可能存在错误。它们可能不向后兼容，并可能在未来的版本中移除。使用这些功能需自担风险，并且不要在生产环境中使用任何实验性功能。

重要

升级 timescaledb 扩展时，实验性模式默认会被移除。升级后要使用实验性功能，您需要再次添加实验性模式。

近似计数去重函数

超函数类型	超函数名称	Toolkit
hyperloglog() 函数
聚合	`hyperloglog()`	✅
替代聚合	`approx_count_distinct()`	✅
访问器	`distinct_count()`	✅
访问器	`stderror()`	✅
汇总	`rollup()`	✅

计数器和测量器函数

超函数类型	超函数名称	Toolkit	实验性
counter_agg() 函数
聚合	`counter_agg()`	✅
访问器	`corr()`	✅
	`counter_zero_time()`	✅
	`delta()`	✅
	`extrapolated_delta()`	✅
	`extrapolated_rate()`	✅
	`first_time()`	✅
	`first_val()`	✅
	`idelta_left()`	✅
	`idelta_right()`	✅
	`intercept()`	✅
	`interpolated_delta()`	✅
	`interpolated_rate()`	✅
	`irate_left()`	✅
	`irate_right()`	✅
	`last_time()`	✅
	`last_val()`	✅
	`num_changes()`	✅
	`num_elements()`	✅
	`num_resets()`	✅
	`rate()`	✅
	`slope()`	✅
	`time_delta()`	✅
汇总	`rollup()`	✅
突变器	`with_bounds()`	✅
gauge_agg() 函数
聚合	`gauge_agg()`	✅	✅
访问器	`corr()`	✅	✅
	`delta()`	✅	✅
	`extrapolated_delta()`	✅	✅
	`extrapolated_rate()`	✅	✅
	`gauge_zero_time()`	✅	✅
	`idelta_right()`	✅	✅
	`idelta_left()`	✅	✅
	`intercept()`	✅	✅
	`interpolated_delta()`	✅	✅
	`interpolated_rate()`	✅	✅
	`irate_left()`	✅	✅
	`num_changes()`	✅	✅
	`irate_right()`	✅	✅
	`num_elements()`	✅	✅
	`rate()`	✅	✅
	`slope()`	✅	✅
	`time_delta()`	✅	✅
汇总	`rollup()`	✅	✅
突变器	`with_bounds()`	✅	✅

下采样函数

超函数类型	超函数名称	Toolkit	实验性
函数	`asap_smooth()`	✅
	`gp_lttb()`	✅	✅
	`lttb()`	✅

财务分析函数

超函数类型	超函数名称	Toolkit
candlestick_agg() 函数
聚合	`candlestick_agg()`	✅
伪聚合	`candlestick()`	✅
访问器	`close()`	✅
	`close_time()`	✅
	`high()`	✅
	`high_time()`	✅
	`low()`	✅
	`low_time()`	✅
	`open()`	✅
	`open_time()`	✅
	`volume()`	✅
	`vwap()`	✅
汇总	`rollup()`	✅

频率分析函数

超函数类型	超函数名称	Toolkit	实验性
count_min_sketch() 函数
聚合	`count_min_sketch()`	✅	✅
访问器	`approx_count()`	✅	✅
freq_agg() 函数
聚合	`freq_agg()`	✅	✅
访问器	`into_values()`	✅
	`max_frequency()`	✅
	`min_frequency()`	✅
	`topn()`	✅
替代聚合	`mcv_agg()`	✅
汇总	`rollup()`	✅

填充缺失值函数

超函数类型	超函数名称	Toolkit	实验性
桶	`time_bucket_gapfill()`
插值器	`interpolate()`
插值器	`locf()`

最小值和最大值函数

超函数类型	超函数名称	Toolkit
max_n() 函数
聚合	`max_n()`	✅
访问器	`into_array()`	✅
访问器	`into_values()`	✅
汇总	`rollup()`	✅
max_n_by() 函数
聚合	`max_n_by()`	✅
访问器	`into_values()`	✅
汇总	`rollup()`	✅
min_n() 函数
聚合	`min_n()`	✅
访问器	`into_array()`	✅
访问器	`into_values()`	✅
汇总	`rollup()`	✅
min_n_by() 函数
聚合	`min_n_by()`	✅
访问器	`into_values()`	✅
汇总	`rollup()`	✅

百分位数近似函数

超函数类型	超函数名称	Toolkit
tdigest() 函数
聚合	`tdigest()`	✅
访问器	`approx_percentile()`	✅
	`approx_percentile_rank()`	✅
	`mean()`	✅
	`num_vals()`	✅
汇总	`rollup()`	✅
uddsketch() 函数
聚合	`uddsketch()`	✅
访问器	`approx_percentile()`	✅
	`approx_percentile_array()`	✅
	`approx_percentile_rank()`	✅
	`error()`	✅
	`num_vals()`	✅
	`mean()`	✅
替代聚合	`percentile_agg()`	✅
汇总	`rollup()`	✅

饱和数学函数

超函数类型	超函数名称	Toolkit	实验性
函数	`saturating_add_pos()`	✅	✅
	`saturating_mul()`	✅	✅
	`saturating_sub()`	✅	✅
	`saturating_sub_pos()`	✅	✅
	`saturating_add()`	✅	✅

状态跟踪函数

超函数类型	超函数名称	Toolkit	实验性
compact_state_agg() 函数
聚合	`compact_state_agg()`	✅	✅
访问器	`duration_in()`	✅	✅
	`interpolated_duration_in()`	✅	✅
	`into_values()`	✅	✅
汇总	`rollup()`	✅	✅
heartbeat_agg() 函数
聚合	`heartbeat_agg()`	✅
访问器	`dead_ranges()`	✅
	`downtime()`	✅
	`interpolate()`	✅
	`interpolated_downtime()`	✅
	`interpolated_uptime()`	✅
	`live_at()`	✅
	`live_ranges()`	✅
	`num_gaps()`	✅
	`num_live_ranges()`	✅
	`trim_to()`	✅
	`uptime()`	✅
汇总	`rollup()`	✅
state_agg() 函数
聚合	`state_agg()`	✅
访问器	`duration_in()`	✅
	`interpolated_duration_in()`	✅
	`interpolated_state_periods()`	✅
	`interpolated_state_timeline()`	✅
	`into_values()`	✅
	`state_at()`	✅
	`state_timeline()`	✅
	`state_periods()`	✅
汇总	`rollup()`	✅

统计和回归分析函数

超函数类型	超函数名称	Toolkit
stats_agg()（单变量）函数
聚合	`stats_agg()（单变量）`	✅
访问器	`average()`	✅
	`kurtosis()`	✅
	`num_vals()`	✅
	`skewness()`	✅
	`stddev()`	✅
	`variance()`	✅
	`sum()`	✅
汇总	`rolling()`	✅
汇总	`rollup()`	✅
stats_agg()（双变量）函数
聚合	`stats_agg()（双变量）`	✅
访问器	`corr()`	✅
	`covariance()`	✅
	`determination_coeff()`	✅
	`average_y()`, `average_x()`	✅
	`intercept()`	✅
	`kurtosis_y()`, `kurtosis_x()`	✅
	`num_vals()`	✅
	`skewness_y()`, `skewness_x()`	✅
	`slope()`	✅
	`stddev_y()`, `stddev_x()`	✅
	`sum_y()`, `sum_x()`	✅
	`variance_y()`, `variance_x()`	✅
	`x_intercept()`	✅
汇总	`rolling()`	✅
汇总	`rollup()`	✅

时间加权计算函数

超函数类型	超函数名称	Toolkit
time_weight() 函数
聚合	`time_weight()`	✅
访问器	`average()`	✅
	`first_time()`	✅
	`first_val()`	✅
	`integral()`	✅
	`interpolated_average()`	✅
	`interpolated_integral()`	✅
	`last_time()`	✅
	`last_val()`	✅
汇总	`rollup()`	✅

一般函数

超函数类型	超函数名称	Toolkit	实验性
桶	`time_bucket()`
桶	`timescaledb_experimental.time_bucket_ng()`		✅
一步聚合	`approximate_row_count()`
	`first()`
	`histogram()`
	`last()`
一步操作	`days_in_month()`	✅
一步操作	`month_normalize()`	✅

有关此表中列出的每个 API 调用的更多信息，请参阅超函数 API 文档。

函数管道

函数管道是一项实验性功能，旨在通过应用函数式编程和流行工具（如 Python 的 Pandas 和 PromQL）的原则，从根本上改善 PostgreSQL 和 SQL 中数据分析的开发人员体验。

SQL 是用于数据分析的最佳语言，但它并不完美，有时会变得相当笨拙。例如，此查询从 measurements 表中获取最后一天的数据，按时间列对数据进行排序，计算值之间的增量，获取增量的绝对值，然后对前几步的结果求和。


SELECT device id,
sum(abs_delta) as volatility
FROM (
 SELECT device_id,
abs(val - lag(val) OVER last_day) as abs_delta
FROM measurements
WHERE ts >= now()-'1 day'::interval) calc_delta
GROUP BY device_id;

您可以使用函数管道来表达相同的查询，如下所示


SELECT device_id,
 timevector(ts, val) -> sort() -> delta() -> abs() -> sum() as volatility
FROM measurements
WHERE ts >= now()-'1 day'::interval
GROUP BY device_id;

函数管道完全符合 SQL 标准，这意味着任何支持 SQL 的工具都能够使用函数管道进行数据分析。

有关函数管道工作原理的更多信息，请阅读我们的博客文章。

Toolkit 功能开发

Timescale Toolkit 功能是开源开发的。随着功能的开发，它们被分为实验性、测试版、稳定版或已弃用。本文档涵盖稳定功能，但有关正在开发的实验性功能的更多信息可在 Toolkit 存储库。

贡献 Timescale Toolkit

我们希望并需要您的反馈！时序数据分析中哪些部分最令人沮丧？哪些操作需要比您认为的更多的代码？哪些操作运行缓慢，或者只有在多次重写后才能快速运行？我们希望解决社区范围的问题，并尽可能多地吸纳反馈。

加入讨论。
查看提议功能。
添加您自己的功能请求。
关键词