在 Spark SQL 中，如何处理窗口函数的复杂聚合，尤其是涉及多个窗口定义、自定义聚合逻辑以及性能调优的情况？请结合典型业务场景进行说明。
考察说明
考查对 Spark SQL 窗口函数高级用法的理解，包括语法、聚合逻辑和性能优化。
回答思路
- 【回答框架 1】Spark SQL 窗口函数通过 OVER 子句定义分区和排序，支持 ROWS 与 RANGE 两种窗口帧。复杂聚合常涉及多窗口、条件聚合（如 FILTER 语法）和自定义 UDAF，可结合不同窗口计算累计值、移动平均、环比同比等。
- 【回答框架 2】典型场景包括：滚动时间窗口计算（如近 30 天累计销售额）、分组 Top N（如每类商品销量前 10）、会话分析（会话内事件序列指标）、金融风控（连续行为计数）等。具体方案需明确窗口分区键和排序键，确保结果正确。
- 【回答框架 3】性能上需注意数据倾斜、窗口函数导致的 Shuffle 开销，可优化分区策略、使用增量聚合（如近似算法）或调整 Spark 配置。复杂逻辑可拆分为多级窗口或使用 SQL 子查询降低计算复杂度。
- 【关键点 1】窗口函数三要素：PARTITION BY 分组、ORDER BY 排序、窗口帧定义（ROWS/RANGE）。
- 【关键点 2】复杂聚合可组合多个窗口函数、条件聚合（FILTER 子句）和自定义聚合函数（UDAF）。
- 【关键点 3】典型场景包括累计计算、移动平均、Top N、同比环比等。
- 【关键点 4】性能优化重点：控制 Shuffle 数据量、合并窗口计算、使用广播或缓存中间结果。
- 【易错点 1】误用 ROWS 与 RANGE 导致窗口边界不正确。
- 【易错点 2】窗口函数在 ORDER BY 缺省时默认全分区，引发性能问题。
- 【易错点 3】忽视数据倾斜会使窗口计算成为瓶颈。