MySQL 8.0.13+ 支持 PERCENTILE_CONT(0.5) 和 PERCENTILE_DISC(0.5) 计算中位数，前者线性插值（如[4,6]→5.0），后者取实际值（如[4,6]→4）；必须用 WITHIN GROUP (ORDER BY ...) 聚合语法，不支持 OVER 窗口形式，且空值自动忽略。
MySQL 8.0+ 直接用 PERCENTILE_CONT 和 PERCENTILE_DISC
MySQL 8.0.13 起原生支持窗口函数计算中位数和百分位数，不用手写排序逻辑。关键区别在于：PERCENTILE_CONT 插值计算（适合连续分布），PERCENTILE_DISC 取实际存在的值（适合离散数据）。
常见错误是忽略 OVER() 中的 ORDER BY —— 没有它会报错或返回 NULL：
SELECT PERCENTILE_CONT(0.5) WITHIN GROUP (ORDER BY salary) AS median FROM employees;
注意：WITHIN GROUP 是强制语法，不能换成 OVER (ORDER BY ...)；PERCENTILE_CONT 不接受 OVER 窗口定义，只接受聚合式写法。
-
PERCENTILE_CONT(0.5)等价于中位数，但0.25、0.9也能直接算任意百分位 - 若数据为空或全为 NULL，结果为 NULL，需提前
WHERE salary IS NOT NULL - 性能上，内部会触发临时排序，大数据量时注意索引覆盖（比如在
salary上建索引）
PostgreSQL 用 percentile_cont 和 percentile_disc
PostgreSQL 的函数名小写，且必须配合 ORDER BY 和窗口定义，不支持 MySQL 那种聚合式写法：
SELECT percentile_cont(0.5) WITHIN GROUP (ORDER BY score) FROM test_scores;
如果要按分组分别算中位数（比如每个部门的薪资中位数），得用窗口函数加子查询或 CTE：
SELECT dept,
percentile_cont(0.5) WITHIN GROUP (ORDER BY salary)
OVER (PARTITION BY dept) AS median_salary
FROM employees;
容易踩的坑：
- 误写成
percentile_cont(0.5) OVER (ORDER BY salary)—— 这是语法错误，WITHIN GROUP不可省略 -
percentile_cont返回double precision，而原始字段可能是integer，做比较时注意类型隐式转换 - 空值默认被排除，但若想显式控制，得先用
FILTER (WHERE ...)或子查询清洗
SQLite 和旧版 MySQL 只能手写排序 + 行号模拟
没有内置函数时，核心思路是：排序后取中间位置的行。难点在奇偶判断和行号生成 —— SQLite 用 ROW_NUMBER()（3.25+），老 MySQL 只能靠变量模拟。
SQLite 示例（中位数）：
WITH ranked AS (
SELECT value,
ROW_NUMBER() OVER (ORDER BY value) AS rn,
COUNT(*) OVER () AS cnt
FROM data
)
SELECT AVG(value) AS median
FROM ranked
WHERE rn IN ((cnt + 1) / 2, (cnt + 2) / 2);
说明：
-
(cnt + 1) / 2和(cnt + 2) / 2自动兼容奇偶：奇数时两值相等，偶数时取中间两个 - 必须用
AVG()包一层，否则偶数长度下会返回两行 - SQLite 的
ROW_NUMBER()从 1 开始，别用0基起点混淆
MySQL 5.7 及更早版本需用用户变量，但存在执行顺序不可靠风险，生产环境慎用。
百分位数近似计算：用 APPROX_QUANTILES（BigQuery）或采样
超大数据集（如亿级日志）跑精确百分位极慢，BigQuery 提供 APPROX_QUANTILES，返回数组：
SELECT APPROX_QUANTILES(response_time, 100)[OFFSET(50)] AS p50,
APPROX_QUANTILES(response_time, 100)[OFFSET(90)] AS p90
FROM logs;
要点：
-
APPROX_QUANTILES(x, N)把数据分成 N 段，[OFFSET(k)]取第 k 个（0-based），所以 p50 是[OFFSET(50)]，不是[OFFSET(0.5)] - 误差率通常
- ClickHouse 用
quantile(0.5)(x)，语法更直白，但同样属近似算法（除非加quantileExact）
真正麻烦的不是怎么写，而是搞清业务要的是“最接近的已有值”还是“理论分割点”，选错函数会导致报表偏差。比如监控告警用 p99，用 DISC 可能漏掉尖峰，用 CONT 又可能虚高——得看数据分布和容忍度。
