如何用SQL从表中按分组提取累计贡献占比前50%的行

实现逻辑 #

完全对齐需求的筛选规则：

• 先按c1分组算出每组所有c3的总和
• 组内把c3从大到小排序，从上到下逐行累加c3的值
• 只要某行加入累加队列之前，之前的累加值还没到组总和的50%，这行就必须保留——哪怕加完这行之后累计占比已经超过50%，也要算进去。比如示例里A组单看15的贡献占比才42.8%，没到50%，加上12之后占比到77%，超过了，那这两行都要留。

可直接运行的SQL代码 #

WITH base_calc AS (
    SELECT
        c1,
        c2,
        c3,
        -- 计算每个c1分组的c3总和
        SUM(c3) OVER (PARTITION BY c1) AS group_total,
        -- 组内按c3降序，逐行累计c3值
        SUM(c3) OVER (
            PARTITION BY c1
            ORDER BY c3 DESC
            ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW
        ) AS running_total
    FROM 替换为你的实际源表名
)
-- 筛选条件：累加当前行c3之前的累计值，还没达到组总和的50%
SELECT c1, c2, c3
FROM base_calc
WHERE running_total - c3 < group_total * 0.5
ORDER BY c1, c3 DESC;

结果校验（对应用户给出的示例数据） #

以A分组为例验证：

• 组内c3总和 = 15+12+8 = 35，50%阈值为17.5

1. c3=15的行：累计值为15，减去当前行c3后为0，0<17.5，保留
2. c3=12的行：累计值为15+12=27，减去当前行c3后为15，15<17.5，保留
3. c3=8的行：累计值为27+8=35，减去当前行c3后为27，27>17.5，过滤
   最终筛出来的结果和示例期望输出完全一致。

方案特点 #

• 性能最优：全流程仅对源表做一次扫描，所有分组统计、累计计算都靠窗口函数在单次扫描中完成，没有自连接、多层嵌套子查询导致的重复扫表开销，千万级以上数据量下的运行效率远高于传统写法
• 无边界偏差：不管是累计值刚好等于50%、还是组内存在多个相同c3值的场景，筛选结果都不会出错
• 适配性强：所有支持标准窗口函数的SQL引擎（MySQL 8.0+、PostgreSQL、SQL Server、Hive、Spark SQL、ClickHouse等）都能直接运行，无需额外语法适配

如果碰到不支持窗口函数的老旧环境（比如MySQL 5.x），需要通过同组自连接的方式计算累计值，但这种写法性能较差，仅适合小数据量场景临时使用

内容的提问来源于stack exchange，提问作者Kallol