请解释在 Spark SQL 中窗口函数的实现方式，并列举常用的窗口函数类型。

回答思路

1. 【回答框架 1】窗口函数在 Spark SQL 中通过 OVER 子句定义，该子句包含 PARTITION BY 用于分组、ORDER BY 用于排序，以及可选的 ROWS 或 RANGE 窗口帧，用于限定计算行的范围。执行时，Spark 会将相同分区键的数据分发到同一任务，并在分区内按排序键处理后计算窗口值。
2. 【回答框架 2】常见的窗口函数分为三类：聚合函数如 SUM、AVG、COUNT、MAX、MIN；排名函数如 ROW_NUMBER、RANK、DENSE_RANK、NTILE；分析函数如 LAG、LEAD、FIRST_VALUE、LAST_VALUE。聚合函数支持窗口帧控制，排名函数通常依赖 ORDER BY，而 LAG/LEAD 用于访问前后行。
3. 【回答框架 3】使用窗口函数时，需注意 PARTITION BY 和 ORDER BY 的语义，以及窗口帧的默认范围：有 ORDER BY 时默认从分区起点到当前行，无 ORDER BY 时默认整个分区。此外，窗口操作会产生一次额外的 shuffle，大量分区或大窗口帧可能影响性能，应通过合理分区和限制数据量优化。
4. 【回答框架 4】性能上，窗口函数在 Spark 中会被转换为 WindowExec 物理算子，内部利用排序和内存管理来支持滑动或累计计算。相比普通聚合，窗口函数不折叠行，每一行都会保留输出，因此内存占用和网络传输可能更高，需根据数据规模评估资源使用。
5. 【回答框架 5】总结时，可通过示例说明：计算各分区内销售额排名用 RANK() OVER (PARTITION BY region ORDER BY sales DESC)，获取前一行值用 LAG(sales,1) OVER (ORDER BY date)。理解窗口帧语法和函数分类是掌握窗口操作的关键。
6. 【关键点 1】窗口函数通过 OVER 子句定义分区、排序和窗口帧。
7. 【关键点 2】常用函数包括聚合、排名（ROW_NUMBER、RANK、DENSE_RANK）和分析（LAG、LEAD）三类。
8. 【关键点 3】有 ORDER BY 时默认窗口帧从分区起点到当前行，无 ORDER BY 时覆盖整个分区。
9. 【关键点 4】窗口函数不折叠行，可能增加 shuffle 和内存负担，需要平衡数据分布和资源。
10. 【关键点 5】无 ORDER BY 时排名函数通常无意义，如 RANK 需要排序。
11. 【易错点 1】混淆窗口帧的默认范围：无 ORDER BY 时默认全分区，有 ORDER BY 时默认为从起点到当前行，导致聚合结果不同。
12. 【易错点 2】忘记在排名或分析函数中加入 ORDER BY，导致结果未按预期排序，甚至运行时错误。
13. 【易错点 3】认为窗口函数会像普通聚合一样折叠行，实际每行都保留，可能造成内存压力。