核心区别在于计算方式与适用场景：PERCENTILE_CONT 精确插值但易OOM超时，APPROX_PERCENTILE 基于sketch近似计算，快且省内存但有误差；如查1亿行95分位数，前者可能卡住，后者秒级返回。
APPROX_PERCENTILE 和 PERCENTILE_CONT 的核心区别在哪
简单说：PERCENTILE_CONT 是精确计算（基于排序后插值），APPROX_PERCENTILE 是近似计算（基于采样或 sketch 算法）。前者在大数据量下可能 OOM 或超时，后者快且省内存，但结果有误差范围。
典型场景：查 1 亿行用户停留时长的 95 分位数 —— 用 PERCENTILE_CONT 可能卡住，APPROX_PERCENTILE 几秒返回，误差通常
-
PERCENTILE_CONT要求输入列可排序，且必须配合OVER()或分组使用（如GROUP BY） -
APPROX_PERCENTILE多数引擎（Trino、Spark SQL、BigQuery）支持直接聚合，不强制排序，也无OVER限制 - PostgreSQL 只有
PERCENTILE_CONT；ClickHouse 两者都有，但APPROX_PERCENTILE对应的是quantile系列函数
不同数据库里怎么写才不报错
语法差异极大，抄错一个关键字就失败。重点看三类常见错误：
- Trino：用
approx_percentile(x, 0.95)，不是approx_percentile(x, 95)（必须是 0~1 小数） - BigQuery：用
APPROX_QUANTILES(x, 100)[OFFSET(95)]或APPROX_PERCENTILE(x, 0.95)（v1.4+ 支持后者） - Spark SQL：
approx_percentile(col, 0.95)，但注意它不支持多分位数一次算；想同时要 0.5/0.9/0.95，得写三次或改用approx_quantile - PostgreSQL：没有
APPROX_PERCENTILE，强行用会报function approx_percentile does not exist；只能用PERCENTILE_CONT(0.95) WITHIN GROUP (ORDER BY x)
为什么 APPROX_PERCENTILE 有时返回 NULL 或异常值
不是 bug，通常是数据或参数没对齐。常见原因：
- 输入列为全 NULL：多数引擎返回 NULL，
APPROX_PERCENTILE不做空值过滤，需显式加WHERE x IS NOT NULL - 百分位参数越界：传了
1.2或-0.1，Trino 报percentile must be between 0 and 1，Spark 可能静默转成 0 或 1 - 内存不足触发降级：Trino 默认 sketch size 是 10k，超大数据倾斜时 sketch 失效，误差飙升甚至返回 null；可调大
approx_percentile.accuracy配置 - 类型不匹配：对字符串列用
APPROX_PERCENTILE，报错类似Unexpected type: varchar—— 它只接受数值型（DOUBLE、REAL、BIGINT）
性能差？先检查是否误用了 PERCENTILE_CONT
如果查询跑了几分钟还不出结果，大概率是用了 PERCENTILE_CONT 处理千万级以上数据。它本质是全局排序 + 插值，shuffle 数据量极大。
- 确认执行计划：Trino 查
EXPLAIN (TYPE DISTRIBUTED)，看是否有Sort+Window节点；Spark 看 Spark UI 的 Stage 是否出现 long-running SortMergeJoin - 临时替换测试：把
PERCENTILE_CONT(0.95) WITHIN GROUP (ORDER BY x)换成APPROX_PERCENTILE(x, 0.95)，对比耗时 - 精度够用就别硬扛：95 分位数误差 ±0.3 秒对业务影响不大，但省下 90% 时间，这种 trade-off 很常见
真正难的是评估误差是否可接受——得拿小样本跑一遍 PERCENTILE_CONT 和 APPROX_PERCENTILE 对比，而不是凭感觉。
