1. 项目概述不止是加减乘除的数据库世界很多人一提到MySQL第一反应就是“存数据的”再深入一点可能会想到增删改查。但如果你以为MySQL只是个简单的数据仓库那可就错过了它内置的一座“数学宝库”。我干了十多年后端开发见过太多同事在应用层用Java、Python吭哧吭哧地写一堆循环来计算统计数据比如算个平均值、标准差或者处理经纬度距离却不知道数据库引擎本身早就提供了高效、精准的原生函数。这就像你明明有把瑞士军刀却非要用指甲钳去拧螺丝费力不讨好。这个“数学宝库”指的就是MySQL那一系列内置的数学函数。它们远不止ROUND()四舍五入和ABS()绝对值这么简单。从基础的聚合运算到三角函数从对数指数到随机数生成甚至是一些统计和金融计算MySQL都能在SQL层面直接搞定。直接让数据库算最大的好处就是快和省。数据不用在网络间来回传输减少了序列化/反序列化的开销也极大减轻了应用服务器的CPU负担。尤其当你处理的是百万、千万级的数据时在数据库里算完只返回一个结果和把几百万条数据全拉到应用里再算性能差距是天壤之别。所以无论你是数据分析师需要快速做数据探查还是后端开发者想优化查询性能或者是DBA要写更高效的统计脚本深入理解并善用这些数学函数都能让你的工作事半功倍。这篇文章我就带你钻进去看看这些函数里到底藏着哪些“秘密操作”以及在实际项目中怎么用才能既稳又狠。2. 核心函数分类与选型逻辑面对几十个数学函数一股脑全记下来不现实也没必要。关键在于理解分类知道什么场景该用什么类型的函数。根据我多年的使用经验可以把它分成下面这几大类每一类都有其核心的“王牌”函数和特定的用武之地。2.1 基础算术与舍入函数精度控制的艺术这类函数最常用也最容易用出问题。核心就围绕两个字精度。ROUND(x, d): 这是大家的老朋友了四舍五入。但秘密在于参数d。d为正数时表示保留小数点后几位d为负数时则表示舍入到整数位。例如ROUND(123.456, -1)结果是120ROUND(123.456, -2)结果是100。这在做以十、百、千为单位的汇总统计时非常有用。TRUNCATE(x, d): 这是我个人非常偏爱的一个函数直译是“截断”。它和ROUND最大的区别就是——绝不四舍五入直接舍弃指定位数后的数字。TRUNCATE(123.456, 2)结果是123.45TRUNCATE(123.456, -1)结果是120。在金融、财务计算中涉及到分、厘的单位时经常要求直接截断而不是四舍五入这时候TRUNCATE就是唯一选择。CEILING(x)/CEIL(x)和FLOOR(x): 向上取整和向下取整。CEILING(3.14)得4FLOOR(3.14)得3。它们处理的是整数边界问题。比如计算分页的总页数CEILING(总记录数 / 每页条数)。或者在做库存预警时FLOOR(当前库存 / 单件包装量)来计算完整包装的数量。注意ROUND函数在对待“.5”这个边界值时遵循的是“银行家舍入法”四舍六入五成双目的是在大量统计中减少舍入偏差。但在一些对精度有严格要求的场景如交易金额务必先明确业务规则看是要求四舍五入还是直接截断。2.2 指数、对数与幂函数处理增长与比例当你的数据涉及增长率、倍数关系或者需要将指数级数据线性化时这类函数就登场了。POW(x, y)/POWER(x, y): 计算x的y次幂。除了算平方、立方它更重要的场景是计算复利或指数增长模型。例如计算年化收益本金 * POW(1 年利率, 年数)。EXP(x): 计算自然常数e的x次幂。它是LN()的反函数在自然科学、统计学如正态分布中很常见。LN(x)和LOG(b, x):LN(x)是自然对数以e为底LOG(b, x)是以b为底的对数。它们的核心价值在于压缩数据尺度。当你有一列数据跨度极大比如从1到100万直接绘图或比较会很难看清小值的变化。对其取对数常用LOG(10, value)或LN(value)就能将乘除关系转化为加减关系指数增长变为线性增长非常利于分析和可视化。2.3 三角函数与几何计算地理位置服务的基石别以为三角函数只在数学课本里。在基于地理位置的服务LBS中它们是计算两点间距离的绝对核心。MySQL提供了完整的SIN(),COS(),TAN(),ASIN(),ACOS(),ATAN()等函数。最经典的场景就是根据经纬度计算球面距离。虽然MySQL 5.7之后提供了ST_Distance_Sphere等空间函数但理解其背后的数学原理很重要而且一些老版本或特定场景下仍需手动计算。公式基于Haversine公式会用到SIN,COS,ACOS,RADIANS角度转弧度等函数。-- 一个简化示例计算两点间近似距离单位公里 SELECT 6371 * ACOS( COS(RADIANS(纬度A)) * COS(RADIANS(纬度B)) * COS(RADIANS(经度B) - RADIANS(经度A)) SIN(RADIANS(纬度A)) * SIN(RADIANS(纬度B)) ) AS distance_km FROM locations;2.4 统计与聚合辅助函数超越AVG和SUM除了标准的AVG(),SUM(),COUNT()MySQL还提供了一些更专业的统计函数让你在SQL里就能完成初步的数据分析。STD()/STDDEV()和VARIANCE(): 计算标准差和方差。这是衡量数据离散程度的关键指标。比如分析每日订单金额的波动情况STD(order_amount)就能直观告诉你数据的稳定性。标准差大说明订单金额起伏大可能依赖少数大客户标准差小则业务平稳。ABS(): 绝对值。常用于计算误差、偏差或者确保数值比较时不受正负号影响。例如计算预测销量与实际销量的绝对误差ABS(预测值 - 实际值)。3. 高阶组合应用与性能优化实战单独使用函数只是第一步真正的“秘密操作”在于将它们组合起来解决复杂的业务问题同时兼顾性能。下面我结合几个实际案例拆解一下思路。3.1 案例一电商订单金额的智能分段与统计假设我们要分析客单价分布不是简单的平均而是看不同金额区间的订单数量。通常的做法是把数据拉到程序里用循环判断。其实一句SQL就能搞定而且效率高得多。SELECT CASE WHEN TRUNCATE(order_amount, -2) 0 THEN 0-99元 WHEN TRUNCATE(order_amount, -2) 100 THEN 100-199元 WHEN TRUNCATE(order_amount, -2) 200 THEN 200-299元 -- ... 更多区间 ELSE 1000元以上 END AS price_segment, COUNT(*) AS order_count, AVG(order_amount) AS avg_in_segment, STD(order_amount) AS std_in_segment -- 看区间内金额的波动 FROM orders WHERE order_date 2023-01-01 GROUP BY price_segment ORDER BY TRUNCATE(order_amount, -2); -- 按区间基数排序这里面的门道TRUNCATE(order_amount, -2) 这是关键。TRUNCATE(123, -2)100TRUNCATE(299, -2)200。它把金额截断到百位直接将连续变量离散化自然形成了[100, 199]这样的区间。这比用BETWEEN写一堆条件优雅且易于维护。组合统计 在分组后我们不仅计算了数量(COUNT)还计算了该区间内的平均金额(AVG)和标准差(STD)。这样就能看出比如“100-199元”这个区间是金额紧密集中在150元左右还是两极分化严重这比单纯看数量更有商业洞察力。3.2 案例二基于随机函数的公平抽样与A/B测试分组做数据分析或A/B测试时经常需要从全量用户中随机抽取一部分样本。RAND()函数在这里大显身手。但直接ORDER BY RAND()在数据量大时性能是灾难因为它会给每一行生成一个随机值并排序。优化方案利用RAND()的随机性和CRC32或MD5函数的确定性哈希实现高效、可重现的抽样。-- 方法1快速随机抽样10%非绝对精确但极快 SELECT * FROM users WHERE RAND() 0.1; -- 方法2基于用户ID哈希的确定性抽样可重现适合A/B测试分组 SELECT *, CASE WHEN CRC32(user_id) % 100 50 THEN control_group -- 50%对照组 ELSE test_group -- 50%实验组 END AS ab_group FROM users;性能对比与选择WHERE RAND() 0.1 在WHERE子句中使用RAND()MySQL会为每一行评估一次条件。虽然也要全表扫描但避免了排序比ORDER BY RAND() LIMIT N快几个数量级。适合对随机性要求高、不需要重现的快速抽样。CRC32(user_id) % N 这是秘密武器。CRC32是一个计算很快的哈希函数对同一个user_id它的结果永远不变。% 100取余后得到0-99的稳定分布。这意味着同一个用户每次都会被分到同一个组比如50的永远是对照组这对于需要长期跟踪的A/B测试至关重要且性能开销极小。3.3 案例三计算滚动时间窗口内的复合增长率业务方经常问“我们最近7天的日均增长率是多少”这不是简单平均而是复合增长率。假设我们有一张日活跃用户数dau的表。WITH recent_dau AS ( SELECT date, dau FROM daily_stats WHERE date CURDATE() - INTERVAL 7 DAY ORDER BY date ) SELECT POW(MAX(dau) / MIN(dau), 1.0 / (COUNT(*) - 1)) - 1 AS daily_cagr FROM recent_dau;拆解逻辑MAX(dau) / MIN(dau) 计算7天内最后一天相对于第一天的总增长倍数。COUNT(*) - 1 增长发生的期数。从第1天到第7天中间有6个增长间隔。POW(总倍数, 1/期数) 计算几何平均数也就是每期的平均增长倍数。... - 1 将倍数转换为增长率。这个查询巧妙地将POW函数用于开方运算通过1/n次幂实现结合窗口期的计数一气呵成地算出复合增长率完全在数据库层完成。4. 避坑指南与最佳实践心得用好了是神器用不好就是坑。下面这些经验都是我在真实项目里踩过雷、填过坑后总结出来的。4.1 NULL值处理数学函数的沉默杀手绝大多数数学函数如果输入参数是NULL返回结果也是NULL。这在进行链式计算时会导致整个表达式结果为NULL像一颗“沉默的炸弹”。-- 危险的查询如果任一用户的income为NULL整个AVG结果可能为NULL取决于数据库设置和具体函数 SELECT AVG(income * 0.8 bonus) FROM users; -- 安全的写法使用COALESCE或IFNULL提供默认值 SELECT AVG(COALESCE(income, 0) * 0.8 COALESCE(bonus, 0)) FROM users; -- 或者更符合业务逻辑的只计算有效数据 SELECT AVG((income * 0.8 bonus)) FROM users WHERE income IS NOT NULL AND bonus IS NOT NULL;最佳实践在涉及多列数学计算前先用WHERE过滤掉关键字段为NULL的行或者用COALESCE(field, 0)赋予一个合理的默认值但要谨慎因为赋予0可能会扭曲统计结果如平均值。4.2 精度丢失与数据类型陷阱MySQL中数值计算的结果精度和类型由参与运算的数值本身决定。整数相除结果是浮点数但如果你存储在INT类型的列里又会发生截断。SELECT 5 / 2; -- 结果是 2.5000 (DECIMAL) SELECT CAST(5 AS DECIMAL(10,2)) / 2; -- 结果是 2.50 显式控制精度 UPDATE table SET int_column 5 / 2; -- int_column 最终值是 2发生了隐式截断心得对于财务、科学计算等对精度要求高的场景务必显式使用DECIMAL类型并在运算时使用CAST确保参与运算的字段也是DECIMAL避免隐式转换带来的意外截断或舍入。4.3 函数索引与表达式索引的妙用与禁忌如果查询条件中经常用到某个数学表达式可以考虑建立函数索引MySQL 8.0 支持函数索引之前版本可用生成列索引模拟。-- 假设经常按金额的百位取整来查询 ALTER TABLE orders ADD INDEX idx_amount_hundred ((TRUNCATE(amount, -2))); -- 查询时就可以高效利用索引 SELECT * FROM orders WHERE TRUNCATE(amount, -2) 100;但是滥用函数索引会让索引失效。一个经典反例-- 假设amount列有普通索引 SELECT * FROM orders WHERE amount * 1.1 100; -- 索引失效因为对索引列做了运算 SELECT * FROM orders WHERE amount 100 / 1.1; -- 优化写法索引生效核心原则尽量让索引列单独出现在比较运算符的一侧。4.4 性能考量在数据库算还是拉到程序算这是一个永恒的权衡。我的经验法则是数据量小计算复杂可以拉到程序里算利用编程语言更丰富的数学库如Python的NumPy。数据量大计算简单或可聚合坚决在数据库里算。网络I/O和内存拷贝的成本远高于数据库的CPU计算。像求和、平均、标准差这种聚合计算数据库引擎做了极致优化比你在程序里循环快得多。涉及多表关联和过滤后的计算在数据库里算。先通过WHERE和JOIN把数据集缩小到最小再计算避免传输无关数据。最后再分享一个调试小技巧当你写的复杂数学表达式结果不对时别急着怀疑逻辑先用SELECT单独把每一步中间结果打印出来看看比如SELECT raw_value, STEP1(raw_value) AS step1, STEP2(step1) AS step2 ...层层拆解很容易就能定位到是哪个函数或哪个参数出了问题。MySQL这个数学宝库工具很全但能不能用好就看你对这些“秘密操作”的理解有多深了。
1. 项目概述不止是加减乘除的数据库世界很多人一提到MySQL第一反应就是“存数据的”再深入一点可能会想到增删改查。但如果你以为MySQL只是个简单的数据仓库那可就错过了它内置的一座“数学宝库”。我干了十多年后端开发见过太多同事在应用层用Java、Python吭哧吭哧地写一堆循环来计算统计数据比如算个平均值、标准差或者处理经纬度距离却不知道数据库引擎本身早就提供了高效、精准的原生函数。这就像你明明有把瑞士军刀却非要用指甲钳去拧螺丝费力不讨好。这个“数学宝库”指的就是MySQL那一系列内置的数学函数。它们远不止ROUND()四舍五入和ABS()绝对值这么简单。从基础的聚合运算到三角函数从对数指数到随机数生成甚至是一些统计和金融计算MySQL都能在SQL层面直接搞定。直接让数据库算最大的好处就是快和省。数据不用在网络间来回传输减少了序列化/反序列化的开销也极大减轻了应用服务器的CPU负担。尤其当你处理的是百万、千万级的数据时在数据库里算完只返回一个结果和把几百万条数据全拉到应用里再算性能差距是天壤之别。所以无论你是数据分析师需要快速做数据探查还是后端开发者想优化查询性能或者是DBA要写更高效的统计脚本深入理解并善用这些数学函数都能让你的工作事半功倍。这篇文章我就带你钻进去看看这些函数里到底藏着哪些“秘密操作”以及在实际项目中怎么用才能既稳又狠。2. 核心函数分类与选型逻辑面对几十个数学函数一股脑全记下来不现实也没必要。关键在于理解分类知道什么场景该用什么类型的函数。根据我多年的使用经验可以把它分成下面这几大类每一类都有其核心的“王牌”函数和特定的用武之地。2.1 基础算术与舍入函数精度控制的艺术这类函数最常用也最容易用出问题。核心就围绕两个字精度。ROUND(x, d): 这是大家的老朋友了四舍五入。但秘密在于参数d。d为正数时表示保留小数点后几位d为负数时则表示舍入到整数位。例如ROUND(123.456, -1)结果是120ROUND(123.456, -2)结果是100。这在做以十、百、千为单位的汇总统计时非常有用。TRUNCATE(x, d): 这是我个人非常偏爱的一个函数直译是“截断”。它和ROUND最大的区别就是——绝不四舍五入直接舍弃指定位数后的数字。TRUNCATE(123.456, 2)结果是123.45TRUNCATE(123.456, -1)结果是120。在金融、财务计算中涉及到分、厘的单位时经常要求直接截断而不是四舍五入这时候TRUNCATE就是唯一选择。CEILING(x)/CEIL(x)和FLOOR(x): 向上取整和向下取整。CEILING(3.14)得4FLOOR(3.14)得3。它们处理的是整数边界问题。比如计算分页的总页数CEILING(总记录数 / 每页条数)。或者在做库存预警时FLOOR(当前库存 / 单件包装量)来计算完整包装的数量。注意ROUND函数在对待“.5”这个边界值时遵循的是“银行家舍入法”四舍六入五成双目的是在大量统计中减少舍入偏差。但在一些对精度有严格要求的场景如交易金额务必先明确业务规则看是要求四舍五入还是直接截断。2.2 指数、对数与幂函数处理增长与比例当你的数据涉及增长率、倍数关系或者需要将指数级数据线性化时这类函数就登场了。POW(x, y)/POWER(x, y): 计算x的y次幂。除了算平方、立方它更重要的场景是计算复利或指数增长模型。例如计算年化收益本金 * POW(1 年利率, 年数)。EXP(x): 计算自然常数e的x次幂。它是LN()的反函数在自然科学、统计学如正态分布中很常见。LN(x)和LOG(b, x):LN(x)是自然对数以e为底LOG(b, x)是以b为底的对数。它们的核心价值在于压缩数据尺度。当你有一列数据跨度极大比如从1到100万直接绘图或比较会很难看清小值的变化。对其取对数常用LOG(10, value)或LN(value)就能将乘除关系转化为加减关系指数增长变为线性增长非常利于分析和可视化。2.3 三角函数与几何计算地理位置服务的基石别以为三角函数只在数学课本里。在基于地理位置的服务LBS中它们是计算两点间距离的绝对核心。MySQL提供了完整的SIN(),COS(),TAN(),ASIN(),ACOS(),ATAN()等函数。最经典的场景就是根据经纬度计算球面距离。虽然MySQL 5.7之后提供了ST_Distance_Sphere等空间函数但理解其背后的数学原理很重要而且一些老版本或特定场景下仍需手动计算。公式基于Haversine公式会用到SIN,COS,ACOS,RADIANS角度转弧度等函数。-- 一个简化示例计算两点间近似距离单位公里 SELECT 6371 * ACOS( COS(RADIANS(纬度A)) * COS(RADIANS(纬度B)) * COS(RADIANS(经度B) - RADIANS(经度A)) SIN(RADIANS(纬度A)) * SIN(RADIANS(纬度B)) ) AS distance_km FROM locations;2.4 统计与聚合辅助函数超越AVG和SUM除了标准的AVG(),SUM(),COUNT()MySQL还提供了一些更专业的统计函数让你在SQL里就能完成初步的数据分析。STD()/STDDEV()和VARIANCE(): 计算标准差和方差。这是衡量数据离散程度的关键指标。比如分析每日订单金额的波动情况STD(order_amount)就能直观告诉你数据的稳定性。标准差大说明订单金额起伏大可能依赖少数大客户标准差小则业务平稳。ABS(): 绝对值。常用于计算误差、偏差或者确保数值比较时不受正负号影响。例如计算预测销量与实际销量的绝对误差ABS(预测值 - 实际值)。3. 高阶组合应用与性能优化实战单独使用函数只是第一步真正的“秘密操作”在于将它们组合起来解决复杂的业务问题同时兼顾性能。下面我结合几个实际案例拆解一下思路。3.1 案例一电商订单金额的智能分段与统计假设我们要分析客单价分布不是简单的平均而是看不同金额区间的订单数量。通常的做法是把数据拉到程序里用循环判断。其实一句SQL就能搞定而且效率高得多。SELECT CASE WHEN TRUNCATE(order_amount, -2) 0 THEN 0-99元 WHEN TRUNCATE(order_amount, -2) 100 THEN 100-199元 WHEN TRUNCATE(order_amount, -2) 200 THEN 200-299元 -- ... 更多区间 ELSE 1000元以上 END AS price_segment, COUNT(*) AS order_count, AVG(order_amount) AS avg_in_segment, STD(order_amount) AS std_in_segment -- 看区间内金额的波动 FROM orders WHERE order_date 2023-01-01 GROUP BY price_segment ORDER BY TRUNCATE(order_amount, -2); -- 按区间基数排序这里面的门道TRUNCATE(order_amount, -2) 这是关键。TRUNCATE(123, -2)100TRUNCATE(299, -2)200。它把金额截断到百位直接将连续变量离散化自然形成了[100, 199]这样的区间。这比用BETWEEN写一堆条件优雅且易于维护。组合统计 在分组后我们不仅计算了数量(COUNT)还计算了该区间内的平均金额(AVG)和标准差(STD)。这样就能看出比如“100-199元”这个区间是金额紧密集中在150元左右还是两极分化严重这比单纯看数量更有商业洞察力。3.2 案例二基于随机函数的公平抽样与A/B测试分组做数据分析或A/B测试时经常需要从全量用户中随机抽取一部分样本。RAND()函数在这里大显身手。但直接ORDER BY RAND()在数据量大时性能是灾难因为它会给每一行生成一个随机值并排序。优化方案利用RAND()的随机性和CRC32或MD5函数的确定性哈希实现高效、可重现的抽样。-- 方法1快速随机抽样10%非绝对精确但极快 SELECT * FROM users WHERE RAND() 0.1; -- 方法2基于用户ID哈希的确定性抽样可重现适合A/B测试分组 SELECT *, CASE WHEN CRC32(user_id) % 100 50 THEN control_group -- 50%对照组 ELSE test_group -- 50%实验组 END AS ab_group FROM users;性能对比与选择WHERE RAND() 0.1 在WHERE子句中使用RAND()MySQL会为每一行评估一次条件。虽然也要全表扫描但避免了排序比ORDER BY RAND() LIMIT N快几个数量级。适合对随机性要求高、不需要重现的快速抽样。CRC32(user_id) % N 这是秘密武器。CRC32是一个计算很快的哈希函数对同一个user_id它的结果永远不变。% 100取余后得到0-99的稳定分布。这意味着同一个用户每次都会被分到同一个组比如50的永远是对照组这对于需要长期跟踪的A/B测试至关重要且性能开销极小。3.3 案例三计算滚动时间窗口内的复合增长率业务方经常问“我们最近7天的日均增长率是多少”这不是简单平均而是复合增长率。假设我们有一张日活跃用户数dau的表。WITH recent_dau AS ( SELECT date, dau FROM daily_stats WHERE date CURDATE() - INTERVAL 7 DAY ORDER BY date ) SELECT POW(MAX(dau) / MIN(dau), 1.0 / (COUNT(*) - 1)) - 1 AS daily_cagr FROM recent_dau;拆解逻辑MAX(dau) / MIN(dau) 计算7天内最后一天相对于第一天的总增长倍数。COUNT(*) - 1 增长发生的期数。从第1天到第7天中间有6个增长间隔。POW(总倍数, 1/期数) 计算几何平均数也就是每期的平均增长倍数。... - 1 将倍数转换为增长率。这个查询巧妙地将POW函数用于开方运算通过1/n次幂实现结合窗口期的计数一气呵成地算出复合增长率完全在数据库层完成。4. 避坑指南与最佳实践心得用好了是神器用不好就是坑。下面这些经验都是我在真实项目里踩过雷、填过坑后总结出来的。4.1 NULL值处理数学函数的沉默杀手绝大多数数学函数如果输入参数是NULL返回结果也是NULL。这在进行链式计算时会导致整个表达式结果为NULL像一颗“沉默的炸弹”。-- 危险的查询如果任一用户的income为NULL整个AVG结果可能为NULL取决于数据库设置和具体函数 SELECT AVG(income * 0.8 bonus) FROM users; -- 安全的写法使用COALESCE或IFNULL提供默认值 SELECT AVG(COALESCE(income, 0) * 0.8 COALESCE(bonus, 0)) FROM users; -- 或者更符合业务逻辑的只计算有效数据 SELECT AVG((income * 0.8 bonus)) FROM users WHERE income IS NOT NULL AND bonus IS NOT NULL;最佳实践在涉及多列数学计算前先用WHERE过滤掉关键字段为NULL的行或者用COALESCE(field, 0)赋予一个合理的默认值但要谨慎因为赋予0可能会扭曲统计结果如平均值。4.2 精度丢失与数据类型陷阱MySQL中数值计算的结果精度和类型由参与运算的数值本身决定。整数相除结果是浮点数但如果你存储在INT类型的列里又会发生截断。SELECT 5 / 2; -- 结果是 2.5000 (DECIMAL) SELECT CAST(5 AS DECIMAL(10,2)) / 2; -- 结果是 2.50 显式控制精度 UPDATE table SET int_column 5 / 2; -- int_column 最终值是 2发生了隐式截断心得对于财务、科学计算等对精度要求高的场景务必显式使用DECIMAL类型并在运算时使用CAST确保参与运算的字段也是DECIMAL避免隐式转换带来的意外截断或舍入。4.3 函数索引与表达式索引的妙用与禁忌如果查询条件中经常用到某个数学表达式可以考虑建立函数索引MySQL 8.0 支持函数索引之前版本可用生成列索引模拟。-- 假设经常按金额的百位取整来查询 ALTER TABLE orders ADD INDEX idx_amount_hundred ((TRUNCATE(amount, -2))); -- 查询时就可以高效利用索引 SELECT * FROM orders WHERE TRUNCATE(amount, -2) 100;但是滥用函数索引会让索引失效。一个经典反例-- 假设amount列有普通索引 SELECT * FROM orders WHERE amount * 1.1 100; -- 索引失效因为对索引列做了运算 SELECT * FROM orders WHERE amount 100 / 1.1; -- 优化写法索引生效核心原则尽量让索引列单独出现在比较运算符的一侧。4.4 性能考量在数据库算还是拉到程序算这是一个永恒的权衡。我的经验法则是数据量小计算复杂可以拉到程序里算利用编程语言更丰富的数学库如Python的NumPy。数据量大计算简单或可聚合坚决在数据库里算。网络I/O和内存拷贝的成本远高于数据库的CPU计算。像求和、平均、标准差这种聚合计算数据库引擎做了极致优化比你在程序里循环快得多。涉及多表关联和过滤后的计算在数据库里算。先通过WHERE和JOIN把数据集缩小到最小再计算避免传输无关数据。最后再分享一个调试小技巧当你写的复杂数学表达式结果不对时别急着怀疑逻辑先用SELECT单独把每一步中间结果打印出来看看比如SELECT raw_value, STEP1(raw_value) AS step1, STEP2(step1) AS step2 ...层层拆解很容易就能定位到是哪个函数或哪个参数出了问题。MySQL这个数学宝库工具很全但能不能用好就看你对这些“秘密操作”的理解有多深了。
)
