PostgreSql根据给的时间范围统计15分钟粒度、小时粒度、天粒度、周粒度、月粒度工单

最新推荐文章于 2024-06-04 11:38:19 发布
最新推荐文章于 2024-06-04 11:38:19 发布
阅读量2k 收藏 6
点赞数 1
分类专栏： 数据库 文章标签： postgresql 数据库
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_48040732/article/details/131018546
版权

PostgreSql根据给的时间范围统计15分钟粒度、小时粒度、天粒度、周粒度、月粒度工单

说明

项目有个需求是统计故障工单每15分钟、每小时、每天、每周和每月共有多少工单。
这里先做个笔记，怕以后忘记怎么使用。
如果不知道generate_series()函数用法，可以参考我的这篇博客进行了解：数据库(postgresql和mysql)统计一个范围内的日期，没有当天日期的数据统计补0

实现

这里只统计2022-10-27那一天的数据，可以看到这天一共有160条数据。

在这里插入图片描述
然后我们根据时间分组看看，每个时间段都有多少数据，可以看到我们表中的时间格式是yyyy-MM-dd HH24:mi:ss这种年月日时分秒的格式。数据库表里面create_time类型为timestamp。
在这里插入图片描述

15分钟粒度工单统计

在实际开发中，我们就只需要传一个开始时间和结束时间这2个参数就行。
代码中只有2个参数，一个#{startTime}代表开始时间，一个#{endTime}代表结束时间，代码里面传给mybatis的时间类型为String字符串，格式为yyyy-MM-dd或者yyyy-MM-dd HH24:mi:ss都行，因为这里有用cast将时间格式转为timestamp(yyyy-MM-dd HH24:mi:ss)这种类型。

原mybatis中sql代码:

select '故障' type,c.date,
coalesce(d.order_num,0) order_num,
coalesce(d.archived_num,0) archived_num,
coalesce(d.timeout_soon_num,0) timeout_soon_num,
coalesce(d.no_timeout_num,0) no_timeout_num,
coalesce(d.order_inprogress,0) order_inprogress,
coalesce(d.order_overtime,0) order_overtime
from
(select to_char(t,'yyyy-MM-dd HH24:mi:00') date
from generate_series(cast(#{startTime} as timestamp),cast(#{endTime} as timestamp),'15 minute') t) c
left join
(select to_char(b.starttime,'yyyy-MM-dd HH24:mi:00') date,
count(distinct a.ticket_id) order_num,
count(distinct case when a.ticket_status ='已归档' then a.ticket_id end) archived_num,
count(distinct case when a.ticket_status !='已归档' and a.is_time_out !='是' and a.timeout_soon =true then a.ticket_id end) timeout_soon_num,
count(distinct case when a.is_time_out !='是' then a.ticket_id end) no_timeout_num,
count(distinct case when a.ticket_status !='已归档' then a.ticket_id end) order_inprogress,
count(distinct case when a.ticket_status !='已归档' and a.is_time_out ='是' then a.ticket_id end) order_overtime
from rnodbv3.v_m_cm5g_ticket_alarm_general a
left join
(select t as starttime ,t +'15 minute' as endtime
from generate_series(cast(#{startTime} as timestamp),cast(#{endTime} as timestamp),'15 minute') t
) b on a.create_time >=b.starttime and a.create_time <b.endtime
where a.curr_flag=true
and a.create_time>=cast(#{startTime} as timestamp) and a.create_time<cast(#{endTime} as timestamp)+interval '15 minute'
group by b.starttime
order by b.starttime) d on c.date=d.date

sql实际执行结果:
这里将ticket_id前的distinct去重删除是为了给你们方便比对统计结果是不是160条。

select '故障' type,c.date,
coalesce(d.order_num,0) order_num,
coalesce(d.archived_num,0) archived_num,
coalesce(d.timeout_soon_num,0) timeout_soon_num,
coalesce(d.no_timeout_num,0) no_timeout_num,
coalesce(d.order_inprogress,0) order_inprogress,
coalesce(d.order_overtime,0) order_overtime
from
(select to_char(t,'yyyy-MM-dd HH24:mi:00') date
from generate_series(cast('2022-10-27 00:00:00' as timestamp),cast('2022-10-27 23:45:00' as timestamp),'15 minute') t) c
left join
(select to_char(b.starttime,'yyyy-MM-dd HH24:mi:00') date,
count(a.ticket_id) order_num,
count(distinct case when a.ticket_status ='已归档' then a.ticket_id end) archived_num,
count(distinct case when a.ticket_status !='已归档' and a.is_time_out !='是' and a.timeout_soon =true then a.ticket_id end) timeout_soon_num,
count(distinct case when a.is_time_out !='是' then a.ticket_id end) no_timeout_num,
count(distinct case when a.ticket_status !='已归档' then a.ticket_id end) order_inprogress,
count(distinct case when a.ticket_status !='已归档' and a.is_time_out ='是' then a.ticket_id end) order_overtime
from rnodbv3.v_m_cm5g_ticket_alarm_general a
left join
(select t as starttime ,t +'15 minute' as endtime
from generate_series(cast('2022-10-27 00:00:00' as timestamp),cast('2022-10-27 23:45:00' as timestamp),'15 minute') t
) b on a.create_time >=b.starttime and a.create_time <b.endtime
where a.curr_flag=true
and a.create_time>=cast('2022-10-27 00:00:00' as timestamp) and a.create_time<cast('2022-10-27 23:45:00' as timestamp)+interval '15 minute'
group by b.starttime
order by b.starttime) d on c.date=d.date

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
统计结果看order_num工单数量可以看到[2022-10-27 00:30:00,2022-10-27 00:45:00)这个前闭后开区间共有156条数据。将create_time>=2022-10-27 00:30:00 and create_time<2022-10-27 00:45:00这个时间段的数据全部汇聚统计到了2022-10-27 00:30:00这个时间段。
同理[2022-10-27 15:00:00,2022-10-27 15:15:00)这个区间一条数据。
[2022-10-27 17:15:00,2022-10-27 17:30:00)这个区间一条数据。
[2022-10-27 17:45:00,2022-10-27 18:00:00)这个区间一条数据。
[2022-10-27 23:45:00,2022-10-28 00:00:00)这个区间一条数据。
一共160条数据，全部符合范围匹配。

小时粒度工单统计

在实际开发中，也是只需要传一个开始时间和结束时间这2个参数就行

原mybatis中sql代码(比15分钟粒度sql要简单一些):

<![CDATA[]]> 这个符合是mybatis中不编译的意思，不加这个的话>和<或者其他特殊符号提交给gitlab后会转义成字符，如:>变为& gt;这种形式。

符号

select '故障' type,a.date||':00:00' date,
coalesce(b.order_num,0) order_num,
coalesce(b.archived_num,0) archived_num,
coalesce(b.timeout_soon_num,0) timeout_soon_num,
coalesce(b.no_timeout_num,0) no_timeout_num,
coalesce(b.order_inprogress,0) order_inprogress,
coalesce(b.order_overtime,0) order_overtime
from
(select to_char(t,'yyyy-MM-dd HH24') date
from generate_series(cast(#{startTime} as timestamp),cast(#{endTime} as timestamp),'1 hour') t) a
left join
(select to_char(create_time,'yyyy-MM-dd HH24') date,
count(distinct ticket_id) order_num,
count(distinct case when ticket_status ='已归档' then ticket_id end) archived_num,
count(distinct case when ticket_status !='已归档' and is_time_out !='是' and timeout_soon =true then ticket_id end) timeout_soon_num,
count(distinct case when is_time_out !='是' then ticket_id end) no_timeout_num,
count(distinct case when ticket_status !='已归档' then ticket_id end) order_inprogress,
count(distinct case when ticket_status !='已归档' and is_time_out ='是' then ticket_id end) order_overtime
from rnodbv3.v_m_cm5g_ticket_alarm_general
where curr_flag=true
<![CDATA[and create_time>=cast(#{startTime} as timestamp) and create_time<cast(#{endTime} as timestamp)+interval '1 hour' ]]>
group by date) b on a.date=b.date

sql实际执行结果:
这里将ticket_id前的distinct去重删除是为了给你们方便比对统计结果是不是160条。

select '故障' type,a.date,
coalesce(b.order_num,0) order_num,
coalesce(b.archived_num,0) archived_num,
coalesce(b.timeout_soon_num,0) timeout_soon_num,
coalesce(b.no_timeout_num,0) no_timeout_num,
coalesce(b.order_inprogress,0) order_inprogress,
coalesce(b.order_overtime,0) order_overtime
from
(select to_char(t,'yyyy-MM-dd HH24:00:00') date
from generate_series(cast('2022-10-27 00:00:00' as timestamp),cast('2022-10-27 23:00:00' as timestamp),'1 hour') t) a
left join
(select to_char(create_time,'yyyy-MM-dd HH24:00:00') date,
count(ticket_id) order_num,
count(distinct case when ticket_status ='已归档' then ticket_id end) archived_num,
count(distinct case when ticket_status !='已归档' and is_time_out !='是' and timeout_soon =true then ticket_id end) timeout_soon_num,
count(distinct case when is_time_out !='是' then ticket_id end) no_timeout_num,
count(distinct case when ticket_status !='已归档' then ticket_id end) order_inprogress,
count(distinct case when ticket_status !='已归档' and is_time_out ='是' then ticket_id end) order_overtime
from rnodbv3.v_m_cm5g_ticket_alarm_general
where curr_flag=true
and create_time>=cast('2022-10-27 00:00:00' as timestamp) and create_time<cast('2022-10-27 23:00:00' as timestamp)+interval '1 hour'
group by date) b on a.date=b.date

在这里插入图片描述
统计结果符合预期。

天粒度工单统计

在实际开发中，也是只需要传一个开始时间和结束时间这2个参数就行。

原mybatis中sql代码:
sql写法和小时粒度一样，唯一区别就是时间格式不一样

select '故障' type,a.date,
coalesce(b.order_num,0) order_num,
coalesce(b.archived_num,0) archived_num,
coalesce(b.timeout_soon_num,0) timeout_soon_num,
coalesce(b.no_timeout_num,0) no_timeout_num,
coalesce(b.order_inprogress,0) order_inprogress,
coalesce(b.order_overtime,0) order_overtime
from
(select to_char(t,'yyyy-MM-dd') date
from generate_series(cast(#{condition.startTime} as timestamp),cast(#{condition.endTime} as timestamp),'1 day') t) a
left join
(select to_char(create_time,'yyyy-MM-dd') date,
count(distinct ticket_id) order_num,
count(distinct case when ticket_status ='已归档' then ticket_id end) archived_num,
count(distinct case when ticket_status !='已归档' and is_time_out !='是' and timeout_soon =true then ticket_id end) timeout_soon_num,
count(distinct case when is_time_out !='是' then ticket_id end) no_timeout_num,
count(distinct case when ticket_status !='已归档' then ticket_id end) order_inprogress,
count(distinct case when ticket_status !='已归档' and is_time_out ='是' then ticket_id end) order_overtime
from rnodbv3.v_m_cm5g_ticket_alarm_general
where curr_flag=true
<![CDATA[and create_time>=cast(#{condition.startTime} as timestamp) and create_time<cast(#{condition.endTime} as timestamp)+interval '1 day' ]]>
group by date) b on a.date=b.date

sql实际执行结果:
这里将ticket_id前的distinct去重删除是为了给你们方便比对统计结果是不是160条。

select '故障' type,a.date,
coalesce(b.order_num,0) order_num,
coalesce(b.archived_num,0) archived_num,
coalesce(b.timeout_soon_num,0) timeout_soon_num,
coalesce(b.no_timeout_num,0) no_timeout_num,
coalesce(b.order_inprogress,0) order_inprogress,
coalesce(b.order_overtime,0) order_overtime
from
(select to_char(t,'yyyy-MM-dd') date
from generate_series(cast('2022-10-01 00:00:00' as timestamp),cast('2022-10-31 00:00:00' as timestamp),'1 day') t) a
left join
(select to_char(create_time,'yyyy-MM-dd') date,
count(ticket_id) order_num,
count(distinct case when ticket_status ='已归档' then ticket_id end) archived_num,
count(distinct case when ticket_status !='已归档' and is_time_out !='是' and timeout_soon =true then ticket_id end) timeout_soon_num,
count(distinct case when is_time_out !='是' then ticket_id end) no_timeout_num,
count(distinct case when ticket_status !='已归档' then ticket_id end) order_inprogress,
count(distinct case when ticket_status !='已归档' and is_time_out ='是' then ticket_id end) order_overtime
from rnodbv3.v_m_cm5g_ticket_alarm_general
where curr_flag=true
and create_time>=cast('2022-10-01 00:00:00' as timestamp) and create_time<=cast('2022-10-31 00:00:00' as timestamp)
group by date) b on a.date=b.date

在这里插入图片描述
统计结果符合预期。

周粒度工单统计

在实际开发中，也是只需要传一个开始时间和结束时间这2个参数就行。

原mybatis中sql代码:
sql写法和15分钟粒度一样

select '故障' type,c.date,
coalesce(d.order_num,0) order_num,
coalesce(d.archived_num,0) archived_num,
coalesce(d.timeout_soon_num,0) timeout_soon_num,
coalesce(d.no_timeout_num,0) no_timeout_num,
coalesce(d.order_inprogress,0) order_inprogress,
coalesce(d.order_overtime,0) order_overtime
from
(select to_char(t,'yyyy-MM-dd') date
from generate_series(cast(#{startTime} as timestamp),cast(#{endTime} as timestamp),'1 week') t) c
left join
(select to_char(b.starttime,'yyyy-MM-dd') date,
count(distinct a.ticket_id) order_num,
count(distinct case when a.ticket_status ='已归档' then a.ticket_id end) archived_num,
count(distinct case when a.ticket_status !='已归档' and a.is_time_out !='是' and a.timeout_soon =true then a.ticket_id end) timeout_soon_num,
count(distinct case when a.is_time_out !='是' then a.ticket_id end) no_timeout_num,
count(distinct case when a.ticket_status !='已归档' then a.ticket_id end) order_inprogress,
count(distinct case when a.ticket_status !='已归档' and a.is_time_out ='是' then a.ticket_id end) order_overtime
from rnodbv3.v_m_cm5g_ticket_alarm_general a
left join
(select t as starttime ,t +'1 week' as endtime
from generate_series(cast(#{startTime} as timestamp),cast(#{endTime} as timestamp),'1 week') t
) b on <![CDATA[ a.create_time >=b.starttime and a.create_time <b.endtime ]]>
where a.curr_flag=true
<![CDATA[and a.create_time>=cast(#{startTime} as timestamp) and a.create_time<cast(#{endTime} as timestamp)+interval '1 week' ]]>
group by b.starttime
order by b.starttime) d on c.date=d.date

sql实际执行结果:
这里将ticket_id前的distinct去重删除是为了给你们方便比对统计结果是不是160条。

select '故障' type,c.date,
coalesce(d.order_num,0) order_num,
coalesce(d.archived_num,0) archived_num,
coalesce(d.timeout_soon_num,0) timeout_soon_num,
coalesce(d.no_timeout_num,0) no_timeout_num,
coalesce(d.order_inprogress,0) order_inprogress,
coalesce(d.order_overtime,0) order_overtime
from
(select to_char(t,'yyyy-MM-dd') date
from generate_series(cast('2022-08-01 00:00:00' as timestamp),cast('2022-10-31 00:00:00' as timestamp),'1 week') t) c
left join
(select to_char(b.starttime,'yyyy-MM-dd') date,
count(a.ticket_id) order_num,
count(distinct case when a.ticket_status ='已归档' then a.ticket_id end) archived_num,
count(distinct case when a.ticket_status !='已归档' and a.is_time_out !='是' and a.timeout_soon =true then a.ticket_id end) timeout_soon_num,
count(distinct case when a.is_time_out !='是' then a.ticket_id end) no_timeout_num,
count(distinct case when a.ticket_status !='已归档' then a.ticket_id end) order_inprogress,
count(distinct case when a.ticket_status !='已归档' and a.is_time_out ='是' then a.ticket_id end) order_overtime
from rnodbv3.v_m_cm5g_ticket_alarm_general a
left join
(select t as starttime ,t +'1 week' as endtime
from generate_series(cast('2022-08-01 00:00:00' as timestamp),cast('2022-10-31 00:00:00' as timestamp),'1 week') t
) b on a.create_time >=b.starttime and a.create_time <b.endtime
where a.curr_flag=true
and a.create_time>=cast('2022-08-01 00:00:00' as timestamp) and a.create_time<cast('2022-10-31 00:00:00' as timestamp)+interval '1 week'
group by b.starttime
order by b.starttime) d on c.date=d.date

在这里插入图片描述
可以看到这里是统计每周一到周日这7天的工单。2022-10-24刚好是周一，2022-10-31也是周一。结果也是符合预期。
在这里插入图片描述

月粒度工单统计

在实际开发中，也是只需要传一个开始时间和结束时间这2个参数就行。

原mybatis中sql代码:
sql写法和小时粒度、天粒度一样。

select '故障' type,a.date,
coalesce(b.order_num,0) order_num,
coalesce(b.archived_num,0) archived_num,
coalesce(b.timeout_soon_num,0) timeout_soon_num,
coalesce(b.no_timeout_num,0) no_timeout_num,
coalesce(b.order_inprogress,0) order_inprogress,
coalesce(b.order_overtime,0) order_overtime
from
(select to_char(t,'yyyy-MM') date
from generate_series(cast(#{condition.startTime} as timestamp),cast(#{condition.endTime} as timestamp),'1 month') t) a
left join
(select to_char(create_time,'yyyy-MM') date,
count(distinct ticket_id) order_num,
count(distinct case when ticket_status ='已归档' then ticket_id end) archived_num,
count(distinct case when ticket_status !='已归档' and is_time_out !='是' and timeout_soon =true then ticket_id end) timeout_soon_num,
count(distinct case when is_time_out !='是' then ticket_id end) no_timeout_num,
count(distinct case when ticket_status !='已归档' then ticket_id end) order_inprogress,
count(distinct case when ticket_status !='已归档' and is_time_out ='是' then ticket_id end) order_overtime
from rnodbv3.v_m_cm5g_ticket_alarm_general
where curr_flag=true
and create_time>=cast(#{condition.startTime} as timestamp) and create_time<cast(#{condition.endTime} as timestamp)+interval '1 month' ]]>
group by date) b on a.date=b.date

sql实际执行结果:
这里将ticket_id前的distinct去重删除是为了给你们方便比对统计结果是不是160条。

select '故障' type,a.date,
coalesce(b.order_num,0) order_num,
coalesce(b.archived_num,0) archived_num,
coalesce(b.timeout_soon_num,0) timeout_soon_num,
coalesce(b.no_timeout_num,0) no_timeout_num,
coalesce(b.order_inprogress,0) order_inprogress,
coalesce(b.order_overtime,0) order_overtime
from
(select to_char(t,'yyyy-MM') date
from generate_series(cast('2022-01-01 00:00:00' as timestamp),cast('2022-12-01 00:00:00' as timestamp),'1 month') t) a
left join
(select to_char(create_time,'yyyy-MM') date,
count(ticket_id) order_num,
count(distinct case when ticket_status ='已归档' then ticket_id end) archived_num,
count(distinct case when ticket_status !='已归档' and is_time_out !='是' and timeout_soon =true then ticket_id end) timeout_soon_num,
count(distinct case when is_time_out !='是' then ticket_id end) no_timeout_num,
count(distinct case when ticket_status !='已归档' then ticket_id end) order_inprogress,
count(distinct case when ticket_status !='已归档' and is_time_out ='是' then ticket_id end) order_overtime
from rnodbv3.v_m_cm5g_ticket_alarm_general
where curr_flag=true
and create_time>=cast('2022-01-01 00:00:00' as timestamp) and create_time<cast('2022-12-01 00:00:00' as timestamp)+interval '1 month'
group by date) b on a.date=b.date

在这里插入图片描述
可以看到这里是统计每月1号到月底的工单。结果也是符合预期。
在这里插入图片描述
好了，我得分享到这里就结束了。

谁不想飞舞青春
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
pgsql按一个小时分组,PostgreSQL：根据时间间隔对列进行分组
weixin_33492770的博客
01-17 861
I have the following tables:SELECT * FROM trajectoriesLIMIT 10;user_id | session_id | timestamp | lat | lon | alt---------+-------------------+------------------------...
pgsql按一个小时分组_PostgreSQL：根据时间间隔对列进行分组
weixin_29569767的博客
01-17 457
I have the following tables:SELECT * FROM trajectoriesLIMIT 10;user_id | session_id | timestamp | lat | lon | alt---------+-------------------+------------------------...
pgsql根据日期范围，以两个小时为一个区间，查询统计数量，按城市划分
Mr_wang520的博客
07-12 1800
根据时间段统计数量
PGsql 查询某天24小时内，某数据的统计，无数据显示0
最新发布
qq_39506240的博客
06-04 267
不过这里要注意的就是PGSQL中的to_char(create_time, ‘yyyy-MM-dd HH24’)，如果你的HH后面不带24的格式，那么他的小时只会到1-12（比如晚上23点会显示成11）这里我要统计某张表，在当天24小时内，某个时间段的值，主要用到了两个函数，第一个是COALESCE，如果是空值则展示0；第二个就是查询出当天24小时的区间值，然后用right join去关联数据即可。不想在代码里面写，所以直接用sql给统计出来了。最后的结果是这样子的，达到了我想要的数据格式。
postgresql 按日期范围查询
weixin_52774180的博客
06-20 3883
postgresql 按日期范围查询
Postgresql 时间统计
Z17839935459的博客
11-24 1608
参考博客： Postgresql 按本年度,本月份,本周,今天统计数据_学习真香-CSDN博客 pg关于时间的统计 一些好的学习网址： PostgreSQL: Documentation: 9.1: Date/Time Functions and Operators PostgreSQL 时间/日期函数和操作符 | 菜鸟教程 下面是一些自己做项目时的sql笔记，再此记录下 现在表结构创建时间乃是基础字段，想要练习，随便找个表，更换下字段就能进行运行了...
postgresql + mybatis传入时间参数的问题.md
04-01
我们看到, 直接在可视化工具里用SQL写...甚至去掉 TIMESTAMP 都是可以的, pgSQL可以自动把字符串给你转换成日期格式, 然后作比较 但是在mapper文件中这么写就不可以了, 它会提示你varchar类型不能和日期类型进行比较
postgresql 12、15离线安装包
02-04
在标题和描述中提到的“postgresql 12、15离线安装包”指的是为这两个版本提供的安装程序，适用于没有互联网连接或者网络环境受限的环境。离线安装包通常包含了所有必要的组件和依赖，使得用户可以在本地计算机上...
PostgreSQL 如何获取当前日期时间及注意事项
09-09
如果需要获取当前时间（包括小时、分钟和秒），可以使用`CURRENT_TIME`或`LOCALTIME`。它们的区别在于，`CURRENT_TIME`包含了服务器的时区信息，而`LOCALTIME`则不包含。例如： ```sql SELECT CURRENT_TIME, ...
PostgreSQL15的新特性完整介绍
04-10
PostgreSQL15的新特性完整介绍， 来自业界大佬的实际总结。
postgresql11-15和postgis30_11的rpm
03-13
PostgreSQL 11-15 和 PostGIS 3.0.11 是针对Linux CentOS服务器的重要组件，它们在数据库管理和地理空间数据处理方面扮演着关键角色。本文将深入探讨这两个组件的功能、安装过程以及如何在CentOS环境中进行配置。 ...
Postgresql 按30分钟、小时、天分组
farxix的博客
11-05 6606
按30分钟统计： shool_time格式为varchar， 例如 201911050808、201911050820、201911050842 分组后结果： 20191105 0800 20191105 0830 20191105 0900 20191105 0930 注：小于30分钟的按00统计，大于30分钟的按30统计 SELECT name,sex,(SELECT (SELECT to...
题目 有如下一张记录表，如何查询出每隔15分钟的记录数
Master_Yiran的博客
07-07 129
有如下一张记录表，如何查询出每隔15分钟的记录数。考点：日期函数的灵活运用。
pgsql数据库 按半小时分组 和 按一小时分组
WangJY的技术博客
09-03 2578
按半小时分组 select case when substr( to_char(capturetime, 'yyyy-mm-dd hh24:mi'),15, 16) :: integer <=30 then to_char( capturetime, 'yyyy-mm-dd hh24')||':30' else to_char( capturetime, 'yyyy-mm-dd hh...
Postgresql时间处理技巧，每半天，每周，每月和每5分钟统计
heweiyabeijing的专栏
04-20 3546
这个SQL语句的主要功能是从" count_driver_warn" 表中选出所有created_date在7天内的记录，并按照驾驶员名字分组计算每个驾驶员的警告次数数量和警告类型，然后按警告次数从高到低排序。如果有张表是GPS信息，log_bus_driver，其中有经度、纬度字段bus_longitute,bus_latitute，时间是created_date，想按照每5分钟进行分段取信息进行分析，如何做？子句来统计特定时间范围内的数据。：将所有驾驶员的记录进行分组，聚合统计每个驾驶员的总警告次数。
postgresql日期时间范围查询：一年前到现在日期时间范围
Tony_wang000的博客
09-02 6930
获取当前时间方式 1.获取当前日期时间：SELECT CURRENT_TIMESTAMP 2019-09-02 11:27:37.282+08 2.获取当前时间：SELECT CURRENT_TIME 11:28:39.636+08 3.获取当前日期：SELECT CURRENT_DATE 2019-09-02 获取近期时间方式 4.获取5天前日期时间：SELECT CURRENT_TIMESTA...
pgsql查询某段时间内的某个小时数据，周几的数据
yht2004123的博客
04-20 9698
关于展示给定时间范围内的数据查询，本人做了两个查询，分别如下 1.查询指定时间范围内小时的数据，比如查询2020-03-20 10：00：00到2020-04-20 10：00：00时间范围内在所有09：00：00这个时间的数据，也就是查询每天10：00的数据 数据表中的事件字段为datatime，sql语句如下： SELECT datatime, pm25 from 数据表 wher...
Jawbone Up 数据的按小时统计及可视化（R 语言实现）
问天鼓的技术博客
07-30 2464
Jawbone up 应用中的 LifeLine 提供了很棒的运动和睡眠的可视化展示，并且在统计部分提供了按日、按月、按周的柱状图。（ API 详情，请参考 获取Jawbone UP中的个人数据-非官方API ）。 作为一个数据控，决不能满足任何数据瑕疵，所以利用 Python 和 R 语言，对 Jawbone Up 的运动细节数据进行了按小时的统计，并用ggplot 制作了相关的图表。
postgresql查询某个时间的数据
一寸一寸光阴
09-13 2425
查询创建时间大于2023年9月12日17:21:00小于2023年9月13日00:00:00的数据。查询创建时间大于2023年9月12日00:00:00分的数据。
PostgreSQL 按周、月、天 统计问题
06-09
可以使用 PostgreSQL 的日期函数和聚合函数来实现按周、月、天的统计。 按周统计： ``` SELECT date_trunc('week', date_column) AS week_start, count(*) AS count FROM table_name GROUP BY week_start ORDER BY week_start; ``` 其中，`date_column` 是存储日期的列名，`table_name` 是表名。 按月统计： ``` SELECT date_trunc('month', date_column) AS month_start, count(*) AS count FROM table_name GROUP BY month_start ORDER BY month_start; ``` 按天统计： ``` SELECT date_trunc('day', date_column) AS day_start, count(*) AS count FROM table_name GROUP BY day_start ORDER BY day_start; ``` 其中，`date_trunc` 函数用于将日期截断到指定的时间单位，`count` 函数用于统计符合条件的行数。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值