influxdb操作

刺骨的言语ヽ痛彻心扉 2022-03-12 16:52 354阅读 0赞

## 增删改查 ##

安装完之后，如何启动呢？

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> </td> 
   <td> <p>sudo service influxdb start</p> </td> 
  </tr> 
 </tbody> 
</table>

进入命令行

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> </td> 
   <td> <p><code>influx</code></p> </td> 
  </tr> 
 </tbody> 
</table>

**1、InfluxDB数据库操作**

*  显示数据库

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> </td> 
   <td> <p><code>show databases</code></p> </td> 
  </tr> 
 </tbody> 
</table>

![830561-20170524094353341-524545793.png][]

*  新建数据库

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> </td> 
   <td> <p><code>create database shhnwangjian</code></p> </td> 
  </tr> 
 </tbody> 
</table>

![830561-20170524094458435-2086705134.png][]

*  删除数据库

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> </td> 
   <td> <p><code>drop database shhnwangjian</code></p> </td> 
  </tr> 
 </tbody> 
</table>

![830561-20170524094543872-2074134150.png][]

*  使用指定数据库

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> </td> 
   <td> <p><code>use shhnwangjian</code></p> </td> 
  </tr> 
 </tbody> 
</table>

![830561-20170524094640560-11200090.png][]

**2、InfluxDB数据表操作**

在InfluxDB当中，并没有表（table）这个概念，取而代之的是MEASUREMENTS，MEASUREMENTS的功能与传统数据库中的表一致，因此我们也可以将MEASUREMENTS称为InfluxDB中的表。

*  显示所有表

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> </td> 
   <td> <p><code>SHOW MEASUREMENTS</code></p> </td> 
  </tr> 
 </tbody> 
</table>

*  新建表

InfluxDB中没有显式的新建表的语句，只能通过insert数据的方式来建立新表。

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> </td> 
   <td> <p><code>insert disk_free,hostname</code><code>=</code><code>server01 value</code><code>=</code><code>442221834240i</code></p> </td> 
  </tr> 
 </tbody> 
</table>

其中 disk\_free 就是表名，hostname是索引（tag），value=xx是记录值（field），记录值可以有多个，系统自带追加时间戳

![830561-20170524100913700-845650904.png][]

或者添加数据时，自己写入时间戳

![830561-20170524101014904-2003353778.png][]

*  删除表

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> </td> 
   <td> <p><code>drop measurement disk_free</code></p> </td> 
  </tr> 
 </tbody> 
</table>

*  元数据查询

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> </td> 
   <td>SHOW TAG KEYS FROM "measurement_name"<br> SHOW TAG VALUES FROM "measurement_name" WITH KEY = "tag_key"</td> 
  </tr> 
 </tbody> 
</table>

*  普通数据查询

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> </td> 
   <td>SELECT value FROM "cpu_usage" WHERE host='server01' AND time &gt; now() - 1h</td> 
  </tr> 
 </tbody> 
</table>

## 特性 ##

**1、数据保存策略（Retention Policies）**

influxDB是没有提供直接删除数据记录的方法，但是提供数据保存策略，主要用于指定数据保留时间，超过指定时间，就删除这部分数据。

*  查看当前数据库Retention Policies

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> </td> 
   <td> <p><code>show retention policies on&nbsp;</code><code>"db_name"</code></p> </td> 
  </tr> 
 </tbody> 
</table>

![830561-20170807085757987-166994246.png][]

*  创建新的Retention Policies

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> </td> 
   <td> <p><code>create retention policy&nbsp;</code><code>"rp_name"</code>&nbsp;<code>on&nbsp;</code><code>"db_name"</code>&nbsp;<code>duration&nbsp;</code><code>3w</code>&nbsp;<code>replication&nbsp;</code><code>1</code>&nbsp;<code>default</code></p> </td> 
  </tr> 
 </tbody> 
</table>

rp\_name：策略名；

db\_name：具体的数据库名；

3w：保存3周，3周之前的数据将被删除，influxdb具有各种事件参数，比如：h（小时），d（天），w（星期）；

replication 1：副本个数，一般为1就可以了；

default：设置为默认策略

*  修改Retention Policies

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> </td> 
   <td> <p><code>alter retention policy&nbsp;</code><code>"rp_name"</code>&nbsp;<code>on&nbsp;</code><code>"db_name"</code>&nbsp;<code>duration&nbsp;</code><code>30d</code>&nbsp;<code>default</code></p> </td> 
  </tr> 
 </tbody> 
</table>

*  删除Retention Policies

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> </td> 
   <td> <p><code>drop retention policy&nbsp;</code><code>"rp_name"</code>&nbsp;<code>on&nbsp;</code><code>"db_name"</code></p> </td> 
  </tr> 
 </tbody> 
</table>

**2、连续查询（Continuous Queries）**

InfluxDB的连续查询是在数据库中自动定时启动的一组语句，语句中必须包含 `SELECT `关键词和` GROUP BY time() `关键词。

InfluxDB会将查询结果放在指定的数据表中。

**目的：**使用连续查询是最优的降低采样率的方式，连续查询和存储策略搭配使用将会大大降低InfluxDB的系统占用量。而且使用连续查询后，数据会存放到指定的数据表中，这样就为以后统计不同精度的数据提供了方便。

*  新建连续查询

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> <p>2</p> <p>3</p> <p>4</p> <p>5</p> </td> 
   <td> <p><code>CREATE CONTINUOUS QUERY &lt;cq_name&gt; ON &lt;database_name&gt;</code></p> <p><code>[RESAMPLE [EVERY &lt;interval&gt;] [FOR &lt;interval&gt;]]</code></p> <p><code>BEGIN SELECT &lt;function&gt;(&lt;stuff&gt;)[,&lt;function&gt;(&lt;stuff&gt;)] INTO &lt;different_measurement&gt;</code></p> <p><code>FROM &lt;current_measurement&gt; [WHERE &lt;stuff&gt;] GROUP BY time(&lt;interval&gt;)[,&lt;stuff&gt;]</code></p> <p><code>END</code></p> </td> 
  </tr> 
 </tbody> 
</table>

样例：

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> </td> 
   <td> <p><code>CREATE CONTINUOUS QUERY wj_30m ON shhnwangjian BEGIN SELECT mean(connected_clients), MEDIAN(connected_clients),&nbsp;</code><code>MAX</code><code>(connected_clients),&nbsp;</code><code>MIN</code><code>(connected_clients) INTO redis_clients_30m FROM redis_clients GROUP BY ip,port,time(</code><code>30m</code><code>) END</code></p> </td> 
  </tr> 
 </tbody> 
</table>

在shhnwangjian库中新建了一个名为 wj\_30m 的连续查询，每三十分钟取一个connected\_clients字段的平均值、中位值、最大值、最小值 redis\_clients\_30m 表中。使用的数据保留策略都是 default。

不同database样例：

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> </td> 
   <td> <p><code>CREATE CONTINUOUS QUERY wj_30m ON shhnwangjian_30 BEGIN SELECT mean(connected_clients), MEDIAN(connected_clients),&nbsp;</code><code>MAX</code><code>(connected_clients),&nbsp;</code><code>MIN</code><code>(connected_clients) INTO shhnwangjian_30.autogen.redis_clients_30m FROM shhnwangjian.autogen.redis_clients GROUP BY ip,port,time(</code><code>30m</code><code>) END</code></p> </td> 
  </tr> 
 </tbody> 
</table>

*  显示所有已存在的连续查询

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> </td> 
   <td> <p><code>SHOW CONTINUOUS QUERIES</code></p> </td> 
  </tr> 
 </tbody> 
</table>

![830561-20170807103904377-207403322.png][]

*  删除Continuous Queries

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> </td> 
   <td> <p><code>DROP CONTINUOUS QUERY &lt;cq_name&gt; ON &lt;database_name&gt;</code></p> </td> 
  </tr> 
 </tbody> 
</table>

**3、用户管理**  
可以直接在web管理页面做操作，也可以命令行。

<table> 
 <tbody> 
  <tr> 
   <td> <p>1</p> </td> 
   <td> <p>#显示用户 &nbsp;<br> show users<br> #创建用户<br> create user "username" with password 'password'<br> #创建管理员权限用户create user "username" with password 'password' with all privileges<br> #删除用户<br> drop user "username"</p> </td> 
  </tr> 
 </tbody> 
</table>

## 常用函数 ##

**1、count()函数**

返回一个（field）字段中的非空值的数量。

语法：

SELECT COUNT(<field_key>) FROM <measurement_name> [WHERE <stuff>] [GROUP BY <stuff>]

示例：

>SELECT COUNT(water_level) FROM h2o_feet
    name: h2o_feet
    --------------
    time                           count
    1970-01-01T00:00:00Z     15258

说明 water\_level这个字段在 h2o\_feet表中共有15258条数据。

注意：InfluxDB中的函数如果没有指定时间的话，会默认以 epoch 0 (`1970-01-01T00:00:00Z`) 作为时间。

可以在where 中加入时间条件，如下：

> SELECT COUNT(water_level) FROM h2o_feet WHERE time >= '2015-08-18T00:00:00Z' AND time < '2015-09-18T17:00:00Z' GROUP BY time(4d)
    name: h2o_feet
    --------------
    time                           count
    2015-08-17T00:00:00Z     1440
    2015-08-21T00:00:00Z     1920

这样结果中会包含时间结果。

**2、DISTINCT()函数**

返回一个字段（field）的唯一值。

语法：

SELECT DISTINCT(<field_key>) FROM <measurement_name> [WHERE <stuff>] [GROUP BY <stuff>]

使用示例

> SELECT DISTINCT("level description") FROM h2o_feet
    name: h2o_feet
    --------------
    time                           distinct
    1970-01-01T00:00:00Z     between 6 and 9 feet
    1970-01-01T00:00:00Z     below 3 feet
    1970-01-01T00:00:00Z     between 3 and 6 feet
    1970-01-01T00:00:00Z     at or greater than 9 feet

这个例子显示level description这个字段共有四个值，然后将其显示了出来，时间为默认时间。

**3、MEAN() 函数**

返回一个字段（field）中的值的算术平均值（平均值）。字段类型必须是长整型或float64。

语法格式：

SELECT MEAN(<field_key>) FROM <measurement_name> [WHERE <stuff>] [GROUP BY <stuff>]

使用示例

> SELECT MEAN(water_level) FROM h2o_feet
    name: h2o_feet
    --------------
    time                           mean
    1970-01-01T00:00:00Z     4.286791371454075

说明water\_level字段的平均值为`4.286791371454075`

时间为默认时间，当然，你也可以加入where条件。

**4、MEDIAN()函数**

从单个字段（field）中的排序值返回中间值（中位数）。字段值的类型必须是长整型或float64格式。

语法：

SELECT MEDIAN(<field_key>) FROM <measurement_name> [WHERE <stuff>] [GROUP BY <stuff>]

使用示例

> SELECT MEDIAN(water_level) from h2o_feet
    name: h2o_feet
    --------------
    time                           median
    1970-01-01T00:00:00Z     4.124

说明表中 water\_level字段的中位数是 4.124

**5、SPREAD()函数**

返回字段的最小值和最大值之间的差值。数据的类型必须是长整型或float64。

语法：

SELECT SPREAD(<field_key>) FROM <measurement_name> [WHERE <stuff>] [GROUP BY <stuff>]

使用示例

> SELECT SPREAD(water_level) FROM h2o_feet
    name: h2o_feet
    --------------
    time                            spread
    1970-01-01T00:00:00Z      10.574

**6、SUM()函数**

返回一个字段中的所有值的和。字段的类型必须是长整型或float64。

语法：

SELECT SUM(<field_key>) FROM <measurement_name> [WHERE <stuff>] [GROUP BY <stuff>]

使用示例：

> SELECT SUM(water_level) FROM h2o_feet
    name: h2o_feet
    --------------
    time                           sum
    1970-01-01T00:00:00Z     67777.66900000002

此语句计算出了 h2o\_feet表中 所有 water\_level 字段的和。

**7、TOP()函数**

作用：返回一个字段中最大的N个值，字段类型必须是长整型或float64类型。

语法：

SELECT TOP( <field_key>[,<tag_key(s)>],<N> )[,<tag_key(s)>|<field_key(s)>] [INTO_clause] FROM_clause [WHERE_clause] [GROUP_BY_clause] [ORDER_BY_clause] [LIMIT_clause] [OFFSET_clause] [SLIMIT_clause] [SOFFSET_clause]

使用示例

> SELECT TOP("water_level",3) FROM "h2o_feet"
    
    name: h2o_feet
    time                   top
    ----                   ---
    2015-08-29T07:18:00Z   9.957
    2015-08-29T07:24:00Z   9.964
    2015-08-29T07:30:00Z   9.954

这个例子返回表中 water\_level字段中最大的三个值。

**8、BOTTOM()函数**

作用：返回一个字段中最小的N个值。字段类型必须是长整型或float64类型。

语法：

SELECT BOTTOM(<field_key>[,<tag_keys>],<N>)[,<tag_keys>] FROM <measurement_name> [WHERE <stuff>] [GROUP BY <stuff>]

使用示例

> SELECT BOTTOM(water_level,3) FROM h2o_feet
    name: h2o_feet
    --------------
    time                           bottom
    2015-08-29T14:30:00Z     -0.61
    2015-08-29T14:36:00Z     -0.591
    2015-08-30T15:18:00Z     -0.594

这个例子返回表中 water\_level字段中最小的三个值。

也可将关联tag放在一起查询，但如果tag值少于N的值，则返回的值的个数只会取tag中字段值少的那个。

如下所示：

> SELECT BOTTOM(water_level,location,3) FROM h2o_feet
    name: h2o_feet
    --------------
    time                           bottom     location
    2015-08-29T10:36:00Z     -0.243     santa_monica
    2015-08-29T14:30:00Z     -0.61      coyote_creek

语句取最小的三个值，然而结果只返回了2个值，因为 location 这个tag只有 两个取值。

**9、FIRST()函数**

作用：返回一个字段中最老的取值。

语法：

SELECT FIRST(<field_key>)[,<tag_key(s)>] FROM <measurement_name> [WHERE <stuff>] [GROUP BY <stuff>]

示例：

> SELECT FIRST(water_level) FROM h2o_feet WHERE location = 'santa_monica'
    name: h2o_feet
    --------------
    time                           first
    2015-08-18T00:00:00Z     2.064

这个语句返回了 在 location为santa\_monica条件下，最旧的那个water\_level字段的取值和时间。

**10、LAST()函数**

作用：返回一个字段中最新的取值。

语法：

SELECT LAST(<field_key>)[,<tag_key(s)>] FROM <measurement_name> [WHERE <stuff>] [GROUP BY <stuff>]

示例：

> SELECT LAST(water_level),location FROM h2o_feet WHERE time >= '2015-08-18T00:42:00Z' and time <= '2015-08-18T00:54:00Z'
    name: h2o_feet
    --------------
    time                           last      location
    2015-08-18T00:54:00Z     6.982     coyote_creek

**11、MAX()函数**

作用：返回一个字段中的最大值。该字段类型必须是长整型，float64，或布尔类型。

语法：

SELECT MAX(<field_key>)[,<tag_key(s)>] FROM <measurement_name> [WHERE <stuff>] [GROUP BY <stuff>]

示例：

> SELECT MAX(water_level),location FROM h2o_feet
    name: h2o_feet
    --------------
    time                           max       location
    2015-08-29T07:24:00Z     9.964     coyote_creek

**12、MIN()函数**

作用：返回一个字段中的最小值。该字段类型必须是长整型，float64，或布尔类型。

语法：

SELECT MIN(<field_key>)[,<tag_key(s)>] FROM <measurement_name> [WHERE <stuff>] [GROUP BY <stuff>]

示例：

> SELECT MIN(water_level),location FROM h2o_feet
    name: h2o_feet
    --------------
    time                          min       location
    2015-08-29T14:30:00Z    -0.61     coyote_creek

**13、PERCENTILE()函数**

作用：返回排序值排位为N的百分值。字段的类型必须是长整型或float64。

百分值是介于100到0之间的整数或浮点数，包括100。

语法：

SELECT PERCENTILE(<field_key>, <N>)[,<tag_key(s)>] FROM <measurement_name> [WHERE <stuff>] [GROUP BY <stuff>]

示例：

> SELECT PERCENTILE(water_level,5),location FROM h2o_feet
    name: h2o_feet
    --------------
    time                      percentile     location
    2015-08-28T12:06:00Z      1.122             santa_monica

**14、DERIVATIVE()函数**

作用：返回一个字段在一个series中的变化率。

InfluxDB会计算按照时间进行排序的字段值之间的[差异][Link 1]，并将这些结果转化为单位变化率。其中，单位可以指定，默认为1s。

语法：

SELECT DERIVATIVE(<field_key>, [<unit>]) FROM <measurement_name> [WHERE <stuff>]

其中，`unit`取值可以为以下几种：

u --microseconds
    s --seconds
    m --minutes
    h --hours
    d --days
    w --weeks

DERIVATIVE()函数还可以在GROUP BY time()的条件下与聚合函数嵌套使用，格式如下：

SELECT DERIVATIVE(AGGREGATION_FUNCTION(<field_key>),[<unit>]) FROM <measurement_name> WHERE <stuff> GROUP BY time(<aggregation_interval>)

示例：

假设location = santa\_monica 条件下数据有以下几条：

name: h2o_feet
    --------------
    time                           water_level
    2015-08-18T00:00:00Z     2.064
    2015-08-18T00:06:00Z     2.116
    2015-08-18T00:12:00Z     2.028
    2015-08-18T00:18:00Z     2.126
    2015-08-18T00:24:00Z     2.041
    2015-08-18T00:30:00Z     2.051

计算每一秒的变化率：

> SELECT DERIVATIVE(water_level) FROM h2o_feet WHERE location = 'santa_monica' LIMIT 5
    name: h2o_feet
    --------------
    time                           derivative
    2015-08-18T00:06:00Z     0.00014444444444444457
    2015-08-18T00:12:00Z     -0.00024444444444444465
    2015-08-18T00:18:00Z     0.0002722222222222218
    2015-08-18T00:24:00Z     -0.000236111111111111
    2015-08-18T00:30:00Z     2.777777777777842e-05

第一行数据的计算公式为`(2.116 - 2.064) / (360s / 1s)`

计算每六分钟的变化率

> SELECT DERIVATIVE(water_level,6m) FROM h2o_feet WHERE location = 'santa_monica' LIMIT 5
    name: h2o_feet
    --------------
    time                           derivative
    2015-08-18T00:06:00Z     0.052000000000000046
    2015-08-18T00:12:00Z     -0.08800000000000008
    2015-08-18T00:18:00Z     0.09799999999999986
    2015-08-18T00:24:00Z     -0.08499999999999996
    2015-08-18T00:30:00Z     0.010000000000000231

第一行数据的计算过程如下：`(2.116 - 2.064) / (6m / 6m)`

计算每12分钟的变化率：

> SELECT DERIVATIVE(water_level,12m) FROM h2o_feet WHERE location = 'santa_monica' LIMIT 5
    name: h2o_feet
    --------------
    time                           derivative
    2015-08-18T00:06:00Z     0.10400000000000009
    2015-08-18T00:12:00Z     -0.17600000000000016
    2015-08-18T00:18:00Z     0.19599999999999973
    2015-08-18T00:24:00Z     -0.16999999999999993
    2015-08-18T00:30:00Z     0.020000000000000462

第一行数据计算过程为：`(2.116 - 2.064 / (6m / 12m)`

计算每12分钟最大值的变化率

> SELECT DERIVATIVE(MAX(water_level)) FROM h2o_feet WHERE location = 'santa_monica' AND time >= '2015-08-18T00:00:00Z' AND time < '2015-08-18T00:36:00Z' GROUP BY time(12m)
    name: h2o_feet
    --------------
    time                           derivative
    2015-08-18T00:12:00Z     0.009999999999999787
    2015-08-18T00:24:00Z     -0.07499999999999973

这个函数功能非常多，也非常复杂，更多对于此功能的详细解释请看官网：[https://docs.influxdata.com/influxdb/v0.13/query\_language/functions/\#derivative][https_docs.influxdata.com_influxdb_v0.13_query_language_functions_derivative]

**15、DIFFERENCE()函数**

作用：返回一个字段中连续的时间值之间的差异。字段类型必须是长整型或float64。

最基本的语法：

SELECT DIFFERENCE(<field_key>) FROM <measurement_name> [WHERE <stuff>]

与GROUP BY time()以及其他嵌套函数一起使用的语法格式：

SELECT DIFFERENCE(<function>(<field_key>)) FROM <measurement_name> WHERE <stuff> GROUP BY time(<time_interval>)

其中，函数可以包含以下几个：

`COUNT()`, `MEAN()`, `MEDIAN()`,`SUM()`, `FIRST()`, `LAST()`, `MIN()`, `MAX()`, 和 `PERCENTILE()。`

使用示例

例子中使用的源数据如下所示：

> SELECT water_level FROM h2o_feet WHERE location='santa_monica' AND time >= '2015-08-18T00:00:00Z' and time <= '2015-08-18T00:36:00Z'
    name: h2o_feet
    --------------
    time                            water_level
    2015-08-18T00:00:00Z      2.064
    2015-08-18T00:06:00Z      2.116
    2015-08-18T00:12:00Z      2.028
    2015-08-18T00:18:00Z      2.126
    2015-08-18T00:24:00Z      2.041
    2015-08-18T00:30:00Z      2.051
    2015-08-18T00:36:00Z      2.067

计算`water_level`间的差异：

> SELECT DIFFERENCE(water_level) FROM h2o_feet WHERE location='santa_monica' AND time >= '2015-08-18T00:00:00Z' and time <= '2015-08-18T00:36:00Z'
    name: h2o_feet
    --------------
    time                            difference
    2015-08-18T00:06:00Z      0.052000000000000046
    2015-08-18T00:12:00Z      -0.08800000000000008
    2015-08-18T00:18:00Z      0.09799999999999986
    2015-08-18T00:24:00Z      -0.08499999999999996
    2015-08-18T00:30:00Z      0.010000000000000231
    2015-08-18T00:36:00Z      0.016000000000000014

[数据类型][Link 2]都为float类型。

**16、ELAPSED()函数**

作用：返回一个字段在连续的时间间隔间的差异，间隔单位可选，默认为1纳秒。

单位可选项如下图：

[![image][]][image 1]

语法：

SELECT ELAPSED(<field_key>, <unit>) FROM <measurement_name> [WHERE <stuff>]

示例：

计算h2o\_feet字段在纳秒间隔下的差异。

> SELECT ELAPSED(water_level) FROM h2o_feet WHERE location = 'santa_monica' AND time >= '2015-08-18T00:00:00Z' and time <= '2015-08-18T00:24:00Z'
    name: h2o_feet
    --------------
    time                            elapsed
    2015-08-18T00:06:00Z      360000000000
    2015-08-18T00:12:00Z      360000000000
    2015-08-18T00:18:00Z      360000000000
    2015-08-18T00:24:00Z      360000000000

在一分钟间隔下的差异率：

> SELECT ELAPSED(water_level,1m) FROM h2o_feet WHERE location = 'santa_monica' AND time >= '2015-08-18T00:00:00Z' and time <= '2015-08-18T00:24:00Z'
    name: h2o_feet
    --------------
    time                            elapsed
    2015-08-18T00:06:00Z      6
    2015-08-18T00:12:00Z      6
    2015-08-18T00:18:00Z      6
    2015-08-18T00:24:00Z      6

注意：如果设置的时间间隔比字段数据间的时间间隔更大时，则函数会返回0，如下所示：

> SELECT ELAPSED(water_level,1h) FROM h2o_feet WHERE location = 'santa_monica' AND time >= '2015-08-18T00:00:00Z' and time <= '2015-08-18T00:24:00Z'
    name: h2o_feet
    --------------
    time                            elapsed
    2015-08-18T00:06:00Z      0
    2015-08-18T00:12:00Z      0
    2015-08-18T00:18:00Z      0
    2015-08-18T00:24:00Z      0

**17、MOVING\_AVERAGE()函数**

作用：返回一个连续字段值的移动平均值，字段类型必须是长整形或者float64类型。

语法：

基本语法

SELECT MOVING_AVERAGE(<field_key>,<window>) FROM <measurement_name> [WHERE <stuff>]

与其他函数和GROUP BY time()语句一起使用时的语法

SELECT MOVING_AVERAGE(<function>(<field_key>),<window>) FROM <measurement_name> WHERE <stuff> GROUP BY time(<time_interval>)

此函数可以和以下函数一起使用：

`COUNT()`, `MEAN()`,`MEDIAN()`, `SUM()`, `FIRST()`, `LAST()`, `MIN()`, `MAX()`, and `PERCENTILE().`

示例：

> SELECT water_level FROM h2o_feet WHERE location = 'santa_monica' AND time >= '2015-08-18T00:00:00Z' and time <= '2015-08-18T00:36:00Z'
    name: h2o_feet
    --------------
    time                            water_level
    2015-08-18T00:00:00Z      2.064
    2015-08-18T00:06:00Z      2.116
    2015-08-18T00:12:00Z      2.028
    2015-08-18T00:18:00Z      2.126
    2015-08-18T00:24:00Z      2.041
    2015-08-18T00:30:00Z      2.051
    2015-08-18T00:36:00Z      2.067

**18、NON\_NEGATIVE\_DERIVATIVE()函数**

作用：返回在一个series中的一个字段中值的变化的非负速率。

语法：

SELECT NON_NEGATIVE_DERIVATIVE(<field_key>, [<unit>]) FROM <measurement_name> [WHERE <stuff>]

其中unit取值可以为以下几个：

[![image][image 2]][image_image 2]

与聚合类函数放在一起使用时的语法如下所示：

SELECT NON_NEGATIVE_DERIVATIVE(AGGREGATION_FUNCTION(<field_key>),[<unit>]) FROM <measurement_name> WHERE <stuff> GROUP BY time(<aggregation_interval>)

此函数示例请参阅：[DERIVATIVE()][DERIVATIVE]函数

**19、STDDEV()函数**

作用：返回一个字段中的值的标准偏差。值的类型必须是长整型或float64类型。

语法：

SELECT STDDEV(<field_key>) FROM <measurement_name> [WHERE <stuff>] [GROUP BY <stuff>]

示例：

> SELECT STDDEV(water_level) FROM h2o_feet
    name: h2o_feet
    --------------
    time                           stddev
    1970-01-01T00:00:00Z     2.279144584196145

示例2：

> SELECT STDDEV(water_level) FROM h2o_feet WHERE time >= '2015-08-18T00:00:00Z' and time < '2015-09-18T12:06:00Z' GROUP BY time(1w), location
    name: h2o_feet
    tags: location = coyote_creek
    time                           stddev
    ----                           ------
    2015-08-13T00:00:00Z     2.2437263080193985
    2015-08-20T00:00:00Z     2.121276150144719
    2015-08-27T00:00:00Z     3.0416122170786215
    2015-09-03T00:00:00Z     2.5348065025435207
    2015-09-10T00:00:00Z     2.584003954882673
    2015-09-17T00:00:00Z     2.2587514836274414
    
    name: h2o_feet
    tags: location = santa_monica
    time                           stddev
    ----                           ------
    2015-08-13T00:00:00Z     1.11156344587553
    2015-08-20T00:00:00Z     1.0909849279082366
    2015-08-27T00:00:00Z     1.9870116180096962
    2015-09-03T00:00:00Z     1.3516778450902067
    2015-09-10T00:00:00Z     1.4960573811500588
    2015-09-17T00:00:00Z     1.075701669442093

[830561-20170524094353341-524545793.png]: /images/20220312/f364b08203904c958d882d7fc2d61753.png
[830561-20170524094458435-2086705134.png]: /images/20220312/7143b499ea444e1abb4773714d6c9784.png
[830561-20170524094543872-2074134150.png]: /images/20220312/1c6fa2236fea44128e1ec086b451cd09.png
[830561-20170524094640560-11200090.png]: /images/20220312/692f51e6d65844a2a14b7a7ace026c6a.png
[830561-20170524100913700-845650904.png]: /images/20220312/7a3e8ca145f44370a1b1e7e7d2808534.png
[830561-20170524101014904-2003353778.png]: /images/20220312/b8031c56fdbf4e5ab71b0119f1daa45f.png
[830561-20170807085757987-166994246.png]: /images/20220312/f45821eb963846b096bb6475e1572790.png
[830561-20170807103904377-207403322.png]: /images/20220312/3fb03ef4a5624ece8b24501cfa22de81.png
[Link 1]: https://www.linuxdaxue.com/tag/%E5%B7%AE%E5%BC%82/
[https_docs.influxdata.com_influxdb_v0.13_query_language_functions_derivative]: https://www.linuxdaxue.com/wp-content/themes/template/inc/go.php?url=https://docs.influxdata.com/influxdb/v0.13/query_language/functions/#derivative
[Link 2]: https://www.linuxdaxue.com/tag/%E6%95%B0%E6%8D%AE%E7%B1%BB%E5%9E%8B/
[image]: https://www.linuxdaxue.com/wp-content/uploads/2016/07/image_thumb-8.png
[image 1]: https://www.linuxdaxue.com/wp-content/uploads/2016/07/image-8.png
[image 2]: https://www.linuxdaxue.com/wp-content/uploads/2016/07/image_thumb-9.png
[image_image 2]: https://www.linuxdaxue.com/wp-content/uploads/2016/07/image-9.png
[DERIVATIVE]: https://www.linuxdaxue.com/influxdb-study-influxdb-transformations-funcitons.html#title-0