InFluxDB的优点之一是能够将原始事件存储为不规则的时间序列，这些事件可能以不同的间隔出现。然而，不规则的时间序列带来了一些独特的挑战，在某些情况下，对数据的共同操作根本行不通。幸运的是，InFluxDB允许您通过计算任意时间窗口的单个值的总和，动态地将不规则的时间序列转换为规则的时间序列。这使您在从系统中捕获事件和处理这些数据时，这两个世界都是最好的。

我们可以查看一些实际的数据点，以便更好地理解在处理不规则时间序列时需要考虑的事项。例如，我们将使用五个数据点，并给出它们的值10、20、30、40和50。

但是，如果数据是以不定期的间隔收集的，那么计算值的平均值将不会给出预期的结果。

将这些数据点添加到InFluxDB中并对其进行处理将使我们更好地了解正在发生的事情。使用流入的CLI，我将这五个值插入到一个名为m1:

> select * from m1 where time > '2018-08-14T17:22:14Z' and time < '2018-08-14T17:23:20Z'

name: m1

time                         value

----                         -----

2018-08-14T17:22:14.159637Z  10

2018-08-14T17:22:16.3561521Z 20

2018-08-14T17:22:18.2251241Z 30

2018-08-14T17:22:20.18086Z   40

2018-08-14T17:23:19.8976057Z 50

由于我手动插入了数据，所以这些值的时间戳的间隔并不均匀，这正是我们在本例中所需要的。前四次发生在同一分钟内，第五次发生在将近一分钟之后。我们可以计算这五个值的平均值：

> select mean(*) From m1

name: m1

time                 mean_value

----                 ----------

1970-01-01T00:00:00Z 30

我们得到的结果是30，结果中的时间戳值是计算平均值的时间窗口的开始。

如果这是一个有规律的时间序列，那么从直觉上看，平均值为30将是有意义的。因为我们的例子是一个不规则的时间序列，但是，在计算最终结果时，测量之间的时间量很重要。当可视化这些值时，这一点变得更清楚了；下面是图中这些点的样子：

我们可以看到，大部分时间花在40和50之间(我们在这些点之间做线性插值来绘制一个图)。因此，我们可以合理地猜测，随着时间的推移，平均值可能接近40，而不是30。

显然，直接计算不规则序列中所有值的平均值是行不通的，因为该操作忽略了值在时间上的分布。我们需要对我们的数据施加某种规律。

为此，我们可以使用InfluxQL将数据的时间范围划分为离散单元GROUP BY

如果我们采取足够小的窗口，并使用mean()函数计算聚合，我们应该得到一个相当准确的时间序列表示。这就是我们的数据，在我们将这些点分组成10秒的间隔并计算出每个组的平均值之后，我们的数据是什么样子的：

> select mean(*) from m1 where time > '2018-08-14T17:22:14Z' and time < '2018-08-14T17:23:20Z' group by time(10s)

name: m1

time                 mean_value

----                 ----------

2018-08-14T17:22:10Z 20

2018-08-14T17:22:20Z 40

2018-08-14T17:22:30Z 

2018-08-14T17:22:40Z 

2018-08-14T17:22:50Z 

2018-08-14T17:23:00Z 

2018-08-14T17:23:10Z 50

对于2018-08-14T17：22：10z的10秒周期，我们有三个值，10，20和30，它们的平均值是20。对于下一个窗口，我们只有一个值，然后在看到最终值50之前，我们有一些没有值的窗口。和以前一样，我们必须对如何处理这些空窗口作出判断。

fill()任选GROUP BY将允许我们填写任何这些空窗口的数据。fill()null, previous, number, none，或linear。在我们的情况下，linear是正确的选择，因为我们用线性插值来绘制值，但是如果这是真实的数据，其他一些选项可能更合适。

这就是我们使用的数据fill(linear):

> select mean(*) from m1 where time > '2018-08-14T17:22:14Z' and time < '2018-08-14T17:23:20Z' group by time(10s) fill(linear)

name: m1

time                 mean_value

----                 ----------

2018-08-14T17:22:10Z 20

2018-08-14T17:22:20Z 40

2018-08-14T17:22:30Z 42

2018-08-14T17:22:40Z 44

2018-08-14T17:22:50Z 46

2018-08-14T17:23:00Z 48

2018-08-14T17:23:10Z 50

然后，我们可以使用以下方法计算新的、有规律的时间序列的平均值。子查询:

> select mean(*) from (select mean(*) from m1 where time > '2018-08-14T17:22:14Z' and time < '2018-08-14T17:23:20Z' group by time(10s) fill(linear))

name: m1

time                 mean_mean_value

----                 ---------------

1970-01-01T00:00:00Z 41.42857142857143

不过，还有一个警告：我们选择的窗口将对我们的最终结果产生影响。如果我们使用的是1s窗口而不是10s窗口呢？

> select mean(*) from (select mean(*) from m1 where time > '2018-08-14T17:22:14Z' and time < '2018-08-14T17:23:20Z' group by time(1s) fill(linear))

name: m1

time                 mean_mean_value

----                 ---------------

1970-01-01T00:00:00Z 42.95454545454546

如果数据是在状态发生变化时收集的，那么也许我们有一些LED，并且我们用十个块打开它们，那么我们在查询中执行的线性填充不再有意义；相反，使用fill(previous)根据我们的数据打算建模的系统的行为会更合适。

最终，这是处理不规则时间序列的最大挑战：您需要对数据有足够的了解，以便就如何处理这些数据做出明智的决定。