摘要：
现实世界中的时序数据往往不完整——网络抖动导致采集点丢失、传感器故障产生空值、数据源暂未就绪造成缺口。SonnetDB 提供了三种缺失值处理函数，帮助用户在不同场景下合理填充数据缺口。 阅读全文
posted @ 2026-05-15 16:14
IoTSharp
阅读(18)
评论(0)
推荐(0)
摘要：
在时序数据分析中，识别和分离趋势成分是预测和异常检测的基础。SonnetDB 提供了 holtwinters(field, alpha, beta) 窗口函数，实现了 Holt 加法双指数平滑，能够从数据中同时提取水平（level）和趋势（trend）两个分量。 阅读全文
posted @ 2026-05-15 16:14
IoTSharp
阅读(11)
评论(0)
推荐(0)
摘要：
原始时序数据往往包含随机噪声，直接使用会干扰趋势判断和异常检测。SonnetDB 提供了 movingaverage() 和 ewma() 两种平滑函数，帮助用户从杂乱的数据中提取稳定的信号。 阅读全文
posted @ 2026-05-15 16:14
IoTSharp
阅读(11)
评论(0)
推荐(0)
摘要：
在许多时序分析场景中，我们不仅关心瞬时值，更关心值的累计效果。SonnetDB 提供了 cumulativesum() 和 integral() 两个窗口函数，分别用于计算运行总和与梯形法积分面积。 阅读全文
posted @ 2026-05-15 16:14
IoTSharp
阅读(7)
评论(0)
推荐(0)
摘要：
在时序数据监控场景中，原始计数器值往往本身并不直观——我们真正关心的是变化速率。SonnetDB 提供了四组差分类窗口函数，帮助用户从原始数据中提取有意义的趋势信息。 阅读全文
posted @ 2026-05-15 16:14
IoTSharp
阅读(7)
评论(0)
推荐(0)
摘要：
在时间序列监控领域，计数器（counter）是最常见的指标类型之一——总请求数、累计字节数、CPU 时间片等。但计数器有一个典型问题：当系统重启或计数器溢出时，数值会重置归零，导致简单的差值计算出现大幅负值。SonnetDB 的 increase() 函数专门解决这个问题，它只取正的变化量，忽略重置。 阅读全文
posted @ 2026-05-15 16:14
IoTSharp
阅读(6)
评论(0)
推荐(0)
摘要：
在时间序列分析中，数据点之间的变化往往比绝对值本身更有意义。传感器读数的跳变、股票价格的涨跌、计数器数值的增减——SonnetDB 提供了 difference() 和 delta() 两个窗口函数来捕捉这种行与行之间的变化。 阅读全文
posted @ 2026-05-15 16:14
IoTSharp
阅读(4)
评论(0)
推荐(0)
摘要：
在实际生产环境中，一个时间窗口内往往需要同时计算多种聚合指标——平均值、最大值、百分位数、计数等。SonnetDB 的 GROUP BY time() 支持在同一查询中组合任意多个聚合函数，并且可以配合 FILTER 子句对每个桶内的数据进行条件过滤，实现高度灵活的高级分析。 阅读全文
posted @ 2026-05-15 16:14
IoTSharp
阅读(4)
评论(0)
推荐(0)
摘要：
在时间序列查询中，最常见的需求之一就是将连续的时间点按固定宽度的时间窗口进行分组聚合。SonnetDB 的 GROUP BY time(duration) 语法提供了简洁高效的时间分桶能力，支持多种时间单位，让你可以轻松实现从毫秒到年的时间维度聚合。 阅读全文
posted @ 2026-05-15 16:14
IoTSharp
阅读(13)
评论(0)
推荐(0)
摘要：
随着 AI 嵌入（embedding）向量的广泛应用，时间序列数据库中存储向量数据已经成为常态。SonnetDB 提供了 centroid(embedding) 聚合函数，用于计算一组向量的逐维度平均值——即这些向量的几何中心（centroid）。这个函数对聚类分析、原型向量提取和向量质量监控等场景。 阅读全文
posted @ 2026-05-15 16:12
IoTSharp
阅读(20)
评论(0)
推荐(0)
浙公网安备 33010602011771号