Oracle Database 23ai新特性:增加聚合函数对INTERVAL数据类型支持

多维聚合三阶段操作法:预处理、聚合中控制与后处理 多维聚合并非简单执行GROUP BY,而是围绕维度对齐、空值熔断、层级折叠和结果解构展开的系统性数据操作过程。其核心原理在于将聚合视为中间态,前置数据状态干预、中置动态计算控制、后置结构化交付。这一方法显著提升聚合结果的业务可信度与工程稳定性,广泛应用于电商大促监控、金融风控宽表生成及SaaS埋点分析等高要求场景。尤其在面对高基数分组、时序不一致、NULL语义模糊等典型挑战时,该操作范式提供了可落地的技术锚点与跨引擎(MySQL/ClickHouse/DuckDB/Pandas)通用路径。 阅读详情

在Oracle早期的版本,聚合函数和分析函数MIN/MAX 就支持了INTERVAL 数据类型。但是,当我们使用SUM或AVG函数对INTERVAL 数据类型进行运算时,就会报错。

随着Oracle Database 23ai 的发布,增加了 AVG 以及 SUM 函数对INTERVAL 数据类型的支持,它们可以作为聚合函数或者分析函数使用。

创建测试表以及测试数据

create table TEST1 (

  id          integer,

  start_time  timestamp,

  end_time    timestamp,

  duration    interval day to second generated always as (end_time - start_time) virtual

);

insert into TEST1 (id, start_time, end_time) values (1, timestamp '2024-07-01 08:00:00.0', timestamp '2024-07-01 14:05:00.0');

insert into TEST1 (id, start_time, end_time) values (2, timestamp '2024-07-02 09:00:00.0', timestamp '2024-07-02 15:00:00.0');

insert into TEST1 (id, start_time, end_time) values (3, timestamp '2024-07-03 08:30:00.0', timestamp '2024-07-03 16:45:00.0');

insert into TEST1 (id, start_time, end_time) values (4, timestamp '2024-07-04 07:00:00.0', timestamp '2024-07-04 17:30:00.0');

commit;

查询表中的数据时可以看到基于 START_TIME 和 END_TIME 计算出的时间间隔

alter session set nls_timestamp_format='yyyy-mm-dd hh24:mi:ss';

SET LINESIZE 200

COL END_TIME FOR A25

COL START_TIME FOR A25

COL DURATION FOR A25

select * from TEST1 ;

Oracle早期版本(12.1.0.2)对INTERVAL 数据类型的 MIN/MAX 聚合函数和分析函数的支持

COL MIN_DURATION FOR A25

COL MAX_DURATION FOR A25

select min(duration) as min_duration,

       max(duration) as max_duration

from TEST1;

select id,

       start_time,

       end_time,

       duration,

       min(duration) over () as min_duration,

       max(duration) over () as max_duration

from TEST1;

在此版本中,使用 SUM 或者 AVG 函数,将会产生一个错误信息,错误信息如下:

select sum(duration) from TEST1;

select avg(duration) from TEST1;

Oracle 23ai 新增了 INTERVAL 数据类型的 SUM 和 AVG 函数支持

select sum(duration) from TEST1;

select avg(duration) from TEST1;

作为分析函数使用:

select id,

       start_time,

       end_time,

       duration,

       sum(duration) over () as sum_duration

from TEST1;

select id,

       start_time,

       end_time,

       duration,

       avg(duration) over () as avg_duration

from TEST1;

由此可以看到,在Oracle 23ai中,支持了SUM 和 AVG 函数作为分析函数使用。

银行级多维聚合:pandas生产实践七层防御体系 多维聚合是数据分析的核心操作,本质是将原始事务数据按多个业务维度(如客户、时间、渠道)分组并计算统计指标。其底层原理涉及分组键哈希、内存中向量化计算与结果结构化映射,技术价值在于支撑实时风控、动态客户画像与可审计的监管报表。典型应用场景包括金融交易行为分析、电商用户分群、IoT设备时序指标汇总等。区别于教学式groupby,真实工程需应对空值语义歧义、MultiIndex解析失败、滚动窗口边界不一致等挑战。本文聚焦pandas在PB级银行交易场景下的高可靠聚合实践,覆盖数据校验、维度标准化、聚合组件封装、结 阅读详情

相关推荐

MuleSoft+LangChain企业级AI编排架构实战

AI编排(AI Orchestration)是实现大模型在企业生产环境落地的核心范式,其本质是将LLM推理能力与企业级集成能力解耦分层:底层由MuleSoft等集成平台统一处理协议适配、数据治理、安全合规与运维可观测性;上层由LangChain专注上下文编织、推理链编排与结构化输出。这种分层架构有效弥合了协议断层(SOAP/IDoc/JDBC vs REST)、治理断层(PII脱敏与审计留痕)和运维断层(SLA监控与熔断降级),支撑销售风控、智能客服等高合规要求场景。本文基于真实销售风控工作流,详解Mule

SAN_YUN的专栏 419

多维聚合实战:从pandas groupby到银行级业务指标工程

多维聚合是数据分析的核心能力,本质是将原始数据按业务维度分组并计算统计量的过程。其原理涉及分组哈希、窗口滑动、索引对齐与空值传播等底层机制。技术价值在于支撑财务核算、风控决策、运营监控和管理层报表等关键场景。典型应用包括商户分层中的均值与中位数并行计算、交易极差驱动的风险识别、7日滚动平均反映用户活跃趋势、累计消费构建客户LTV模型,以及区域×产品交叉表适配销售语言。本文聚焦pandas中groupby、rolling、expanding与unstack四大核心操作在真实金融场景下的语义化使用与避坑实践。

chenzhuofei4155的博客 395

AI数据栈三支柱:RDBMS+图数据库+HTAP协同架构

在AI工程落地中,数据基础设施正从单点优化转向多维协同。关系型数据库(RDBMS)作为结构化事实的权威源,保障ACID一致性与向量化扩展能力;图数据库突破SQL JOIN瓶颈,支撑多跳关系遍历与语义推理;HTAP则弥合事务与分析鸿沟,实现毫秒级实时特征供给。三者并非替代关系,而是构成‘稳—深—快’的能力三角:RDBMS锚定数据血缘与业务主键,图数据库建模动态关系网络,HTAP驱动在线决策闭环。该架构已广泛应用于智能推荐、金融风控与工业预测等强实时、高关联AI场景,成为支撑大模型应用落地的关键数据底座。

weixin_34081595的博客 372

ORACLE 23AI的新特性,看数据库可能前进的方向

我想大约整个思路是非常清楚的。数据库产品要很通用,要使用面广的化,它把自己设计的比较复杂可能是必然的。但是这种负责永远是对开发者透明的。

weixin_43549321的博客 1819

AI落地卡在数据?RDBMS、图数据库与HTAP三栈协同实战

在AI工程化落地中,模型性能瓶颈往往源于底层数据供给能力不足——缺乏实时性、关系上下文与事务一致性。关系型数据库(RDBMS)提供ACID保障,是金融、保险等强一致场景的‘数据压舱石’;图数据库通过原生关系遍历能力,为AI注入可解释的关联推理逻辑;而云原生HTAP平台(如Snowflake、Databricks)则致力于消除OLTP与OLAP间的数据移动成本,实现事务即分析。三者并非替代关系,而是分层互补:RDBMS守底线、Graph DB拓认知、HTAP促流动。本文基于保险、制造、电商等真实AI项目,详解

weixin_30509393的博客 420

MuleSoft企业级AI编排:打通LLM与SAP/CRM/数据库的数据孤岛

AI编排(AI Orchestration)是实现大模型在企业真实场景落地的关键技术,其核心在于协调异构系统、治理多源数据、嵌入安全策略并保障服务韧性。不同于轻量级LangChain流程编排,企业级AI编排需原生支持OAuth2.0认证、字段级动态脱敏、熔断降级、GDPR合规日志等IT治理能力。MuleSoft凭借DataWeave数据转换引擎、Policy Manager策略中心和Anypoint平台可观测性,成为连接LLM与SAP、Salesforce、ServiceNow等传统系统的‘智能脊椎’。本文

weixin_30564901的博客 437

Oracle Database In-Memory 23ai 新特性

本文参考文档第4章Data Analytics中的In-Memory部分。

In-Memory Computing Technology 1847

MATLAB实战:5步搞定GNSS单点定位解算(附完整代码)

本文提供了一份基于MATLAB的GNSS单点定位实战指南。通过5个核心步骤,详细讲解了如何从卫星坐标和伪距观测值出发,利用最小二乘迭代算法,构建并实现一个完整的单点定位解算器。文章附有完整代码,并涵盖精度评估与结果分析,适合GNSS初学者和MATLAB用户快速上手实践。

a2b3c4d5e的博客 250

聊聊 Oracle 23 ai 新特性、相关更改和停用功能

作者 | JiekeXu来源 |公众号 JiekeXu DBA之路(ID: JiekeXu_IT)如需转载请联系授权 |(个人微信 ID:JiekeXu_DBA)大家好,我是 JiekeXu,江湖人称“强哥”,荣获 Oracle ACE 称号,墨天轮 MVP,墨天轮年度“墨力之星”,拥有 Oracle 11g OCP/OCM 认证,MySQL 5.7/8.0 OCP 认证以及 PCA、PCT...

JiekeXu的博客 2272

【车辆动力学】专栏目录汇总

车辆动力学知识目录汇总

CrazyRabbit的博客 1713

上网第二课:办了百兆宽带,为什么测速只有一半?

最慢的那一环。

qq_36765170的博客 107

23ai 的这个功能,让 DBA 离失业又更进一步

Oracle 23ai 已经正式发布一段时间了,不过由于OP版只能在 Oracle Engineer System 上使用,所以在我们接触到的客户中真正使用 23ai 非常少。最近我们借助于 Oracle 提供的 Free 版本,针对新特性进行了系统的分析和学习,发现 23ai 真的是将 AI 功能贯彻的非常彻底的一个版本,以至于我都怀疑 DBA 是不是真的会失业!本篇是 23ai 新特性系列文章的第一篇,介绍 SQL 分析报告,对新技术特性感兴趣的朋友可以点个关注,大家一起来学习。

oracle18c的博客 1773

梯度提升决策树GBDT原理与代码实例讲解

梯度提升决策树GBDT原理与代码实例讲解 1.背景介绍 1.1 机器学习发展历程 机器学习是人工智能领域的一个重要分支,旨在使计算机具备学习和改进自身性能的能力。随着大数据时代的到来,海量的数据为机器学习算法提供了广阔的应用空间。在

AI天才研究院 1084

Oracle 23ai 中的重要新特性 VECTOR 数据类型

Oracle 23ai 中的 VECTOR 数据类型是 Oracle 数据库在 AI 领域的一个重要新特性

zxrhhm的博客 2034

15、 深入理解Akka微服务:创建与管理体育博彩平台

本博文深入探讨了如何使用Akka微服务架构为体育博彩平台创建投影和管理事件数据,包括市场投影、投注投影以及数据库投影的实现。同时,介绍了通过gRPC提供HTTP端点以供外部系统访问的方法,并详细说明了在本地环境和Kubernetes中运行应用程序的步骤及配置建议。

weixin_35756624的博客 96

基于深度学习的火焰检测系统:YOLOv8 + UI界面 + 数据集详解

YOLO(You Only Look Once)是一种端到端的目标检测算法,其最大优势在于将目标检测任务转化为一个回归问题,可以在一次前向传播中同时完成目标定位和分类。YOLOv8是YOLO系列中的最新版本,相比之前的版本,YOLOv8在精度和推理速度上都做了显著提升,特别是在小物体检测方面表现更加优秀。实时性:YOLOv8具有较高的推理速度,适用于实时火焰检测。高精度:相较于YOLOv7,YOLOv8在精度和小物体检测上有所改进。简单易用:YOLOv8的API简单直观,易于集成和使用。

YOLO 660

Oracle Database 23ai新特性之INTERVAL聚合函数增强

Oracle Database 23ai 开始 AVG 以及 SUM 函数支持 INTERVAL 数据类型,它们可以作为聚合函数或者分析函数使用。

Tony.Dong的专栏 544

本地玩转AI还得靠这个,SillyTavern(酒馆)到底有多强?

SillyTavern是一款本地运行的LLM交互前端,支持文本生成、图像生成、语音合成等功能。它最初是TavernAI的分支,现已独立开发,社区活跃,功能更新频繁。SillyTavern通过前端UI和插件系统连接各种大模型后端,如OpenAI、KoboldAI等,用户可以在本地创建“虚拟酒馆”与各种角色对话。其功能亮点包括角色卡、角色记忆、世界设定、多人聊天室、自定义UI和行为脚本、插件扩展支持等。SillyTavern适合AI创作用户、AI工程师、LLM爱好者和AIGC创作者。它有两个维护分支:relea

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 8033

MySQL零基础入门到实战:环境搭建、SQL语法与数据库设计全攻略

很多同学在入门数据库时,面对海量的概念和复杂的SQL语法,常常感到无从下手,尤其是在搭建环境、理解数据类型和编写复杂查询时,容易卡壳。本文旨在提供一套从零开始的MySQL完整学习路径,内容涵盖从环境安装、基础语法到高级查询的每一个关键环节,并附带大量可直接运行的代码示例和避坑指南。无论你是完全没有数据库基础的学生,还是需要快速回顾的开发者,都能通过本文构建起系统的MySQL知识体系,并具备独立进行数据操作和简单项目开发的能力。 1. 数据库与MySQL核心概念 在开始敲代码之前,我们需要先理解几个核心概念,

fanjava 429

DeerFlow 系列教程 第三篇 | 核心技术深度剖析:Skills、Memory 与 Context Engineering

摘要化是 Context Engineering 中最关键的组件——它直接决定了长对话的可用性。Skills 技能系统通过渐进式加载的三层模型,在保持系统提示词轻量的同时,支持无限数量的技能扩展。从发现到执行的 10 个生命周期阶段,配合 AI 驱动的安全扫描和多层缓存,构成了一个生产级的技能管理框架。Memory 长期记忆系统通过文件系统持久化、LLM 驱动的信息提取和防抖动异步更新,实现了跨会话的认知持久化。六类事实分类体系和修正信号检测机制,让 Agent 能够从交互中持续学习和改进。

weixin_43674738的博客 280

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

多维聚合实战:从SQL GROUP BY到OLAP立方体建模

多维聚合是现代数据分析的核心能力,本质是基于维度建模(Dimensional Modeling)对高基数业务数据进行可交互的切片、钻取与交叉分析。其技术原理源于OLAP立方体思想,通过星型模型解耦事实表与维度表,实现正交组合与层级穿透。相比传统SQL GROUP BY的静态降维,多维聚合支持动态探查、自助式BI和实时归因,显著提升分析效率与决策响应速度。本文聚焦真实生产环境中的多维数据操作心法,涵盖切片、切块、钻取、旋转等核心操作,并结合Pandas与SQL双栈实践,为数据工程师、分析师及BI建设者提供可落

weixin_30608503的博客 292

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

AI数据栈重构:RDBMS、图数据库与HTAP协同设计原理

在AI原生应用中,单一数据库已无法支撑‘实时性+关系推理+强一致性’复合需求。RDBMS作为可信事实锚点保障数据准确与可审计,图数据库实现多跳因果链的动态关系建模,HTAP则消除OLTP/OLAP割裂带来的延迟失真。三者并非简单并列,而是构成特征工程流水线的底层神经突触——RDBMS定边界、Graph拓维度、HTAP保时效。这种混合数据架构已成为大模型知识库、智能风控、实时推荐等场景的技术标配,其核心价值在于让AI决策真正基于最新鲜、最关联、最可信的数据闭环。

weixin_34416649的博客 425

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

多维聚合实战:超越GROUP BY的数据一致性与性能优化

多维聚合是BI与数据分析中支撑销售看板、用户漏斗、财务报表等核心场景的基础技术,其本质在于构建维度空间并实现事实数据的精准投射。不同于单维度GROUP BY,它需解决维度交叉、空值穿透、聚合一致性等关键问题,依赖维度建模、标准化代理键、GROUPING SETS等工程化手段保障结果可信。技术价值体现在业务口径统一、0值可显、下钻可溯、性能可控,广泛应用于零售、金融、SaaS及实时大屏等高要求场景。本文聚焦真实生产环境中的数据操作链路,覆盖维度对齐、事实清洗、SQL编写与增量聚合等关键环节。

weixin_30553777的博客 429

AI编排:MuleSoft与LangChain协同的企业级AI集成范式

AI编排(AI Orchestration)是一种面向生产环境的工程范式,旨在弥合大语言模型与企业遗留系统之间的数据断层。其核心原理是将企业集成能力(如API连接、数据脱敏、权限治理)与AI认知能力(如RAG检索、提示工程、结构化输出)解耦并协同——前者保障数据可信、安全、实时,后者实现语义理解与智能决策。该范式的技术价值在于支撑高可靠、可审计、低延迟的AI应用落地,典型应用于销售风险预测、智能客服、财务风控等需多源异构数据融合的业务场景。本文聚焦MuleSoft作为企业系统‘翻译官’与LangChain作

jardownload的博客 371

AI赋能数据库开发:DbPaw智能SQL工具解析

数据库开发正经历从传统工具向AI赋能的智能化转型。大语言模型(LLM)技术的引入,使得通过自然语言交互生成优化SQL成为可能,这显著降低了数据库操作的专业门槛。其核心技术原理在于语义理解层解析用户需求,语法生成层转换为抽象语法树,再经优化输出层生成高性能查询方案。这种AI辅助的数据库开发范式,在电商大促、金融风控等需要快速构建复杂查询的场景中展现出巨大价值。以DbPaw为代表的工具实现了从需求理解到执行的完整闭环,实测显示可将SQL编写时间缩短40%,同时通过实时性能诊断系统自动识别90%的执行计划问题,为

weixin_30527423的博客 348

AI Orchestration:企业级AI落地的精密调度系统

AI Orchestration(AI编排)是一种面向生产环境的智能调度范式,其核心在于协调数据集成、模型调用与安全治理三大能力。它并非简单串联LLM API,而是基于企业已有系统(如SAP、Salesforce、PLC)构建可审计、低延迟、强合规的数据—AI流水线。技术原理上融合了服务编排(如MuleSoft)、提示工程(Prompt Engineering)与链式推理(Router Chain),通过职责分离实现‘边界可靠、内核智能’。其技术价值体现在破除AI落地最后一公里的数据孤岛、权限壁垒与格式混乱

weixin_30667649的博客 456
上一篇: 针对某客户报表系统数据库跑批慢进行性能分析及优化
下一篇: 某客户管理系统Oracle RAC节点异常重启问题详细分析记录
听雪楼主.
博客等级 码龄10年 513粉丝 214原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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