SQL 如何实现每个分组的 Top N？
面试怎么回答
我会先把数据聚合到题目要求的粒度，例如品类加商品，再用窗口函数按品类分区、按指标降序排名。固定返回 N 行用 ROW_NUMBER，需要保留并列用 RANK 或 DENSE_RANK，并补充稳定排序字段。大数据量下还会先过滤和局部聚合，关注超大分组带来的 Shuffle 与倾斜。
先把这段讲顺；面试官追问时，再展开下面的原理和细节。
详细讲解
写出窗口函数只是第一步，面试官通常还会追问并列、去重和性能。
分组 Top N 的核心是先确定统计粒度，再选择 ROW_NUMBER、RANK 或 DENSE_RANK 表达并列语义。
先聚合到目标粒度
原始明细可能是一单多行。若题目要求商品销售额，应先按品类和商品聚合，再对聚合结果排名。直接在订单明细上排名，得到的是订单行 Top N，不是商品 Top N。
排名函数表达业务语义
ROW_NUMBER 强制每组只保留 N 行；RANK 遇到并列会跳号；DENSE_RANK 并列但不跳号。若第三名有两个并列商品，是否返回四行，必须由业务决定。
排序必须稳定
只按销售额排序时，并列记录的先后可能不稳定。需要补充商品 ID、最近销售时间等确定性字段；NULL、退款和负数金额也要提前定义排序规则。
大数据量先减再排
窗口排序通常需要按分组键 Shuffle，并在组内排序。可以先做分区裁剪、列裁剪和局部聚合，控制超大分组；热点品类还可能产生数据倾斜，需要单独拆分。
为什么不能只回答概念？
“浅答案：PARTITION BY 后直接排名”之所以常见，是因为它在理想数据和单次执行里往往说得通。但生产环境会加入数据规模、异常值、并发、版本、失败重试和下游口径，这些条件一变化，只记住术语就很容易给出错误结论。
所以我会把 先聚合到目标粒度、排名函数表达业务语义、排序必须稳定、大数据量先减再排 串成一条完整链路。最终判断标准不是某个函数或配置是否出现，而是能否稳定得到可解释、可验证、可恢复的业务结果。
落地时我会检查什么？
- 输入边界：确认数据范围、时间口径、主键和异常值是否符合假设。
- 执行过程：观察分区、并行度、状态、Shuffle 或资源变化，验证方案是否真正生效。
- 输出结果：用行数、唯一性、关键指标和样本明细证明结果正确，而不是只看任务成功。
- 失败恢复：说明重跑、回滚、版本兼容和责任人，避免一次成功后无人维护。
这些检查不一定全部写进一条 SQL 或一个任务，但面试时能主动补充，说明你回答的不是背诵题，而是在描述一套可上线的工程方案。
一个典型场景
一个典型反例是直接对订单明细做 ROW_NUMBER，结果同一个爆款商品占据前三名的多个位置。开发看到 SQL 确实每组返回三行，以为已经正确；但统计粒度错了。改为先按商品聚合，再排名，并明确退款抵扣和并列规则后，结果才与榜单口径一致。
Top N 先问“谁和谁比”，再问“并列怎么算”。