在互聯網應用和企業業務系統中，特別是現在當下環境電商以及跨境電商火爆的情況下，時間序列數據無處不在，如電商訂單時間、用戶登錄日志、設備監控數據等。MySQL 作為主流數據庫，具備強大的時間序列數據處理能力。本文將結合電商訂單場景，分享一系列實用的 MySQL 實戰技巧，幫助你高效分析和處理時間序列數據。?

一、數據準備與表結構設計?

假設我們有一張orders表用于存儲電商訂單信息，表結構如下：

CREATE TABLE orders (order_id INT AUTO_INCREMENT PRIMARY KEY,order_time TIMESTAMP,customer_id INT,product_id INT,order_amount DECIMAL(10, 2),order_status VARCHAR(20)
);INSERT INTO orders (order_time, customer_id, product_id, order_amount, order_status)
VALUES('2024-10-01 10:15:00', 1, 101, 99.99, '已支付'),('2024-10-01 14:30:00', 2, 102, 149.99, '已支付'),('2024-10-02 09:00:00', 1, 103, 79.99, '已支付'),('2024-10-02 20:45:00', 3, 104, 299.99, '已支付');

這段SQL代碼創建了一個名為 orders 的訂單表，并插入了四條示例數據，非常適合用于時間序列數據分析的教學。

首先，CREATE TABLE 語句定義了五個字段：

• order_id?是主鍵并自動遞增，確保每條訂單唯一；
• order_time?為時間戳類型，記錄訂單發生的時間；
• customer_id?和?product_id?分別表示客戶和商品的編號；
• order_amount?表示訂單金額，使用?DECIMAL?類型保證精度；
• order_status?存儲訂單狀態，如“已支付”。

接下來，INSERT INTO 語句向表中插入了四條訂單記錄，每條都包含時間和金額信息。

二、統計每日訂單數量與總金額?

分析訂單數據時，首先會關注每日的訂單情況。使用GROUP BY結合日期函數DATE()可輕松實現：

SELECTDATE(order_time) AS order_date,COUNT(order_id) AS order_count,SUM(order_amount) AS total_amount
FROMorders
GROUP BYDATE(order_time)
ORDER BYorder_date;

這條 SQL 查詢語句，首先，DATE(order_time) 函數將原始的時間戳提取為日期，忽略具體時間，便于按“天”進行分組統計。接著使用 COUNT(order_id) 統計每日訂單數量，SUM(order_amount) 計算每日總銷售額，實現了對訂單數據的聚合匯總。

通過 GROUP BY DATE(order_time)，數據按照日期分組，再配合 ORDER BY order_date 按照時間順序排列結果，使得輸出呈現出清晰的時間序列趨勢。

三、查找訂單高峰時段?

了解一天中哪個時段訂單量最多，對合理安排客服、物流等資源至關重要。我們可以將order_time按小時分組統計訂單數量：

SELECTHOUR(order_time) AS order_hour,COUNT(order_id) AS order_count
FROMorders
GROUP BYHOUR(order_time)
ORDER BYorder_count DESC
LIMIT 1;

這條 SQL 查詢語句用于分析一天中哪個小時的訂單量最高。

首先，HOUR(order_time) 函數從訂單時間中提取小時部分，使我們能按小時進行統計。然后使用 COUNT(order_id) 統計每個小時的訂單數量。

通過 GROUP BY HOUR(order_time) 對每個小時的數據進行分組聚合，再用 ORDER BY order_count DESC 按訂單數量從高到低排序，最后加上 LIMIT 1 只返回訂單最多的那個小時。

四、計算訂單平均處理時長?

若訂單表中還記錄了訂單完成時間complete_time，可以計算訂單從生成到完成的平均處理時長：

SELECTAVG(TIMESTAMPDIFF(MINUTE, order_time, complete_time)) AS average_processing_time
FROMorders
WHEREcomplete_time IS NOT NULL;

TIMESTAMPDIFF(unit, start_time, end_time)函數用于計算兩個時間戳之間的差值，這里以分鐘為單位（MINUTE），AVG()函數計算平均處理時長。通過WHERE complete_time IS NOT NULL過濾掉未完成的訂單。?

五、分析訂單趨勢?

通過分析訂單數量或金額的趨勢，能幫助企業預測未來業務走向。使用窗口函數計算訂單數量的環比增長率：

SELECTDATE(order_time) AS order_date,COUNT(order_id) AS order_count,-- 計算環比增長率CONCAT(ROUND((COUNT(order_id) - LAG(COUNT(order_id), 1, 0) OVER (ORDER BY DATE(order_time))) /LAG(COUNT(order_id), 1, 0) OVER (ORDER BY DATE(order_time)) * 100,2),'%') AS growth_rate
FROMorders
GROUP BYDATE(order_time)
ORDER BYorder_date;

這條 SQL 查詢語句是對時間序列數據進行趨勢分析與環比增長計算的典型案例。

首先，查詢按日期（DATE(order_time)）對訂單進行分組，統計每天的訂單數量（COUNT(order_id)），這是典型的時間維度聚合操作。接下來是重點部分：使用了 LAG() 窗口函數來獲取前一天的訂單數量，從而計算出每日訂單數的環比增長率。

LAG(COUNT(order_id), 1, 0) OVER (ORDER BY DATE(order_time)) 表示取上一天的訂單數量，若沒有（如第一天），則默認為 0。通過當前天與前一天的數量差值除以前一天數量，再乘以 100 得到百分比增長率，并使用 ROUND(..., 2) 保留兩位小數，最后用 CONCAT(..., '%') 添加百分號，使結果更具可讀性。