百分位近似

总的来说，百分位数对于理解数据分布很有用。第五十百分位数是数据中一半大于它，一半小于它的点。第十百分位数是数据中 90% 大于它，10% 小于它的点。第九十九百分位数是数据中 1% 大于它，99% 小于它的点。

第五十百分位数，或中位数，通常比平均值更有用，特别是当您的数据包含异常值时。异常值会显著改变平均值，但对中位数的影响不大。例如，如果您家有三个房间，其中两个房间是 40℉ (4℃)，一个房间是 130℉ (54℃)，那么平均室温是 70℉ (21℃)，这并不能告诉您太多信息。然而，第五十百分位数温度是 40℉ (4℃)，这告诉您至少一半的房间处于冰箱温度（另外，您可能应该检查一下供暖系统！）。

有时会避免使用百分位数，因为计算它们比计算平均值或其他聚合度量需要更多的 CPU 和内存。这是因为精确计算百分位数需要将完整数据集作为有序列表。Timescale 使用近似算法来计算百分位数，而无需所有数据。这也使它们与连续聚合更兼容。默认情况下，TimescaleDB 使用 `uddsketch`，但您也可以选择使用 `tdigest`。有关这些算法的更多信息，请参阅高级聚合方法文档。

注意

从技术上讲，百分位数将一个组分成 100 个大小相等的部分，而分位数将一个组分成任意数量的部分。因为我们不总是精确使用 100 个桶，“分位数”在这种情况下是更精确的技术术语。但是，我们使用“百分位数”这个词，因为它是这类函数中更常用的词。

• 有关百分位近似如何工作的更多信息，请阅读我们的百分位近似博客。
• 有关百分位近似 API 调用的更多信息，请参阅超函数 API 文档。