累积频率分布是各组占比按序累加的结果，需先计算每组占比（count()1.0/sum(count(*)) over()），再用sum() over(order by ...)累加；不可直接累加频数或嵌套窗口函数。
累积频率分布的本质是“当前行占比 + 前面所有行占比之和”
累积频率分布（Cumulative Frequency Distribution）不是简单地对频数求和，而是对**归一化后的比例**做窗口累加。很多人误用 SUM(count) 再除以总和，结果在分组或排序不稳时出错。关键在于：先算每组的占比（COUNT(*) * 1.0 / SUM(COUNT(*)) OVER()），再用 SUM() OVER(ORDER BY ...) 累加这个比例。
常见错误现象：SUM(COUNT(*)) OVER(ORDER BY x) 直接套用——这算的是累积频数，不是累积频率；若没加 1.0 强制浮点，整数除法会截断为 0。
- 必须确保
ORDER BY子句明确且与业务排序逻辑一致（如按销售额升序计算“低于该值的客户占比”） - 若数据含
NULL，ORDER BY默认把NULL排最前，可能扭曲分布起点，建议显式写ORDER BY x ASC NULLS LAST（PostgreSQL）或用COALESCE(x, -1e9)（MySQL/SQL Server） - 窗口帧默认是
ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW，无需显式声明，但别误加ROWS UNBOUNDED PRECEDING（语法错误）
PostgreSQL / MySQL 8.0+ / SQL Server 中的标准写法
三者语法高度一致，核心就是两层窗口：外层算总样本数，内层按序累加占比。以用户年龄分布为例：
SELECT age, COUNT(*) AS freq, COUNT(*) * 1.0 / SUM(COUNT(*)) OVER() AS freq_ratio, SUM(COUNT(*) * 1.0 / SUM(COUNT(*)) OVER()) OVER(ORDER BY age) AS cum_freq_dist FROM users GROUP BY age ORDER BY age;
注意：SUM(COUNT(*)) OVER() 是合法的——聚合函数嵌套窗口函数，只要外层是窗口、内层是聚合且有 GROUP BY 即可。MySQL 8.0+ 和 PostgreSQL 支持，但 SQLite 不支持（需子查询模拟）。
- 如果想按区间分组（如 0-10, 11-20），先用
CASE WHEN或FLOOR(age/10)生成分组键，再GROUP BY - SQL Server 中若用
DECIMAL类型，记得把1.0换成1.000避免精度丢失 - PostgreSQL 的
PERCENT_RANK()和CUME_DIST()是近似替代，但它们基于排名而非实际频数，当存在重复值时结果不同
遇到“窗口函数不能嵌套”报错怎么办
错误信息通常是 Window function cannot be used in window function（如旧版 MariaDB 或某些 Hive 版本）。这不是语法问题，而是引擎限制——它不允许在 OVER() 内部再出现窗口函数。此时必须拆成两层查询：
WITH base AS ( SELECT age, COUNT(*) AS freq FROM users GROUP BY age ), totals AS ( SELECT *, SUM(freq) OVER() AS total_cnt FROM base ) SELECT age, freq, freq * 1.0 / total_cnt AS freq_ratio, SUM(freq * 1.0 / total_cnt) OVER(ORDER BY age) AS cum_freq_dist FROM totals;
这种写法兼容性更好，也更易调试。重点在于：第一层只做聚合，第二层才引入窗口计算；total_cnt 必须在 totals CTE 中算出，不能在最终 SELECT 里重复写 SUM(freq) OVER()，否则又触发嵌套限制。
- 某些旧版 Spark SQL 要求用
SELECT ... FROM (SELECT ...) t替代 CTE - 如果表极大，CTE 可能被物化两次，可改用变量（MySQL）或临时表（SQL Server）缓存
total_cnt
用 CUME_DIST() 真的更简单吗
CUME_DIST() 返回“小于等于当前值的行数占比”，看起来像累积频率，但它统计的是**原始行数**，不是分组后的频数。比如 100 个用户中 5 人年龄=25，CUME_DIST() 对这 5 行都返回同一个值（即 ≤25 的用户数 / 总用户数），而你通常想要的是“年龄 ≤25 的人群占总人群的比例”——这二者仅在无重复值时相等。
所以：CUME_DIST() 适合未分组的连续值分析（如订单金额排序），不适合分组频数统计场景。真正需要累积频率分布时，老老实实走 COUNT + SUM() OVER() 路线更可控。
- 用
CUME_DIST()前先确认：你的 x 轴是原始字段值（如每个用户的 age），还是分组标签（如年龄段）？后者必须手动聚合 -
PERCENT_RANK()的分母是 n−1，首尾值固定为 0 和 1，和累积频率定义不符，别混用 - 有些 BI 工具（如 Metabase）自动生成的 “cumulative %” 图表底层就用了
CUME_DIST()，导出 SQL 时要注意是否符合业务口径
实际写的时候，最容易被忽略的是分组与排序的粒度是否匹配——比如按日期分组却按时间戳排序，或者漏了 GROUP BY 导致窗口在未聚合数据上计算。一旦发现累积和超过 1.0 或出现突变，优先检查这两点。
