没问题，我来帮你搞定这个分组计算中位数的需求！Amazon Athena基于Presto SQL引擎，我们可以直接用Presto提供的中位数相关聚合函数来实现，下面分不同场景给出具体方案：

1. 精确计算中位数 #

如果你的数据集规模不大，想要得到完全精确的中位数结果，可以用以下两种函数：

1.1 连续型中位数（插值计算） #

percentile_cont(0.5)会在数据量为偶数时，取中间两个价格的平均值，适合需要连续数值结果的场景：

SELECT 
  product_id, 
  shop_id, 
  percentile_cont(0.5) WITHIN GROUP (ORDER BY price) AS median_price 
FROM data_f 
WHERE site_id = 10 
  AND year || month || day || hour >= '2020022500' 
  AND year || month || day || hour < '2020022600' 
GROUP BY product_id, shop_id

1.2 离散型中位数（取实际存在的值） #

percentile_disc(0.5)会直接选取排序后位于中间位置的真实价格值，适合需要结果是数据集里实际存在价格的场景：

SELECT 
  product_id, 
  shop_id, 
  percentile_disc(0.5) WITHIN GROUP (ORDER BY price) AS median_price 
FROM data_f 
WHERE site_id = 10 
  AND year || month || day || hour >= '2020022500' 
  AND year || month || day || hour < '2020022600' 
GROUP BY product_id, shop_id

2. 大数据量下的近似中位数 #

如果你的数据集非常庞大，精确计算中位数可能会拖慢查询速度，这时可以用approx_percentile函数做近似计算，它能在保证结果足够准确的前提下大幅提升性能：

SELECT 
  product_id, 
  shop_id, 
  approx_percentile(price, 0.5) AS median_price 
FROM data_f 
WHERE site_id = 10 
  AND year || month || day || hour >= '2020022500' 
  AND year || month || day || hour < '2020022600' 
GROUP BY product_id, shop_id

几点实用提示 #

• 确保price列是数值类型（比如double、int），如果是字符串格式，记得先转换：cast(price as double)。
• 你当前的时间条件是用字符串拼接实现的，可能存在隐患（比如月份是个位数时，拼接后会变成202012500这类不规范的字符串），建议把时间字段转换成timestamp类型后再做范围查询，示例如下：

  WHERE site_id = 10
    AND parse_datetime(concat(year, '-', month, '-', day, ' ', hour), 'yyyy-MM-dd HH') >= timestamp '2020-02-25 00:00:00'
    AND parse_datetime(concat(year, '-', month, '-', day, ' ', hour), 'yyyy-MM-dd HH') < timestamp '2020-02-26 00:00:00'
  

  这样既准确又能提升查询效率。

内容的提问来源于stack exchange，提问作者datazang