update sql docs

docs/basic/4.sql.md

@@ -930,6 +930,8 @@ select  user_name,dept_name from students  left outer join dept on user.id = dep
 
 [参考](https://www.cnblogs.com/youzhibing/p/11516154.html)
 
+[参考2](https://www.cnblogs.com/weix-l/p/7521278.html)
+
 ```SQL
 
 -- 查询每个系的平均工资(系名，平均工资)
@@ -1558,11 +1560,17 @@ END
 ## 窗口函数
 
 
+窗口函数(Window Function)，又被叫做分析函数(Analytics Function)，通常在需要对数据进行分组汇总计算时使用，因此与聚合函数有一定的相似性。但与聚合函数不同的是，聚合函数通过对数据进行分组，仅能够输出分组汇总结果，而原始数据则无法展现在结果中。而窗口函数则可以同时将原始数据和聚集分析结果同时显示出来。
+
+
 通常情况下，SQL操作数据是基于同行 (row) 或者同列(column)的。无论是where条件还是还是函数聚合，默认都是同一行的不同列，或者是同一列的不同行进行。而现实的数据分析需求很大一部分都是要基于"前因后果"的，因此在数据整合的操作过程中，就无法避免要面对"位移"的逻辑处理，所谓位移就是参考点和观察点的偏移量。比如，我们在做留存分析时，通常会非常关注日注册用户的留存率，例如1-7日留存率（如下表），也就是用户注册后过1天、2天....到第7天里，每一天还剩多少比例的活跃（即有过登录或浏览）用户量。
 
 
 窗口函数，也叫OLAP函数（Online Anallytical Processing，联机分析处理），可以对数据库数据进行实时分析处理。
 
 
 
-这种类型的统计在数据分析非常普遍，如果用寻常的SQL语句实现起来非常冗长反复，相似的步骤重复多次才能实现，无论是脚本编写还是脚本的运行都耗时耗力。此时想必很多人就想考虑用其他办法来实现数据的整合，比如用python程序迭代，而即便如此，且不说时效，就过程而言显得就不那么流畅了（相当于要维护两套系统），而过程的流畅性对后期的数据报表修改和维护是多么的重要，但凡经历过的数据分析师都懂！而窗口函数就是专门解决这类问题，虽然窗口函数很吃内存，在时效上感觉提升不是太大，但是脚本的简洁度、过程流畅性，几乎说是完美。
+这种类型的统计在数据分析非常普遍，如果用寻常的SQL语句实现起来非常冗长反复，相似的步骤重复多次才能实现，无论是脚本编写还是脚本的运行都耗时耗力。此时想必很多人就想考虑用其他办法来实现数据的整合，比如用python程序迭代，而即便如此，且不说时效，就过程而言显得就不那么流畅了（相当于要维护两套系统），而过程的流畅性对后期的数据报表修改和维护是多么的重要，但凡经历过的数据分析师都懂！而窗口函数就是专门解决这类问题，虽然窗口函数很吃内存，在时效上感觉提升不是太大，但是脚本的简洁度、过程流畅性，几乎说是完美。
+
+
+