对于数据分析师来说，花费大量时间处理数据并不罕见。因为关系型数据库可以提供复杂的分析能力，一种方法便是将时间序列数据存入关系型数据库进行分析。直接将实时数据写入关系数据库存在重大的写入性能瓶颈，因此往往先将时序数据写入时序数据库(Time Series Database, TSDB)，然后从时序数据库批量导出数据，格式化并转换数据后，将其加载到关系数据库或数据仓库中进行分析。这种解决方案完全可以工作，但复杂且成本高昂。
另外一种方法就是使用支持 SQL 查询语言的时序数据库。SQL 是一种用于选择、过滤和将数据连接在一起进行数据分析的强大工具。TDengine 是支持 SQL 的时序数据库，对于数据分析师而言，使用 TDengine 就像在使用一个关系型数据库。而且通过超级表、存储和计算分离、数据按时间分区、预计算等多种手段，TDengine 提供了强大而又简单易用的分析能力。具体而言，TDengine 的分析能力具有以下显著特点：
- 多个数据采集点之间的高效聚合：TDengine 针对时序数据的特点，提出创新的超级表概念，将时序数据与标签数据分离存储。无需 JOIN，只需要指定超级表的标签过滤条件，就可将同类型的数据采集点进行高效的聚合操作，这使得组织和查找数据更加简单。此外，TDengine 允许向每个数据采集点添加多达 128 个标签，也支持在以后删除和更新这些标签。TDengine 提供了一种将数据切割成多维立方体以进行多维分析的强大方法。
- 计算存储分离：从 3.0 起，TDengine 支持存算分离，系统可以根据需要，启动一个或多个计算节点，增加计算资源，加快复杂查询的速度，减小 Latency。对于云平台，计算节点可以是一个容器，可以快速地启动或停止，计算存储分离将充分利用云平台的弹性计算资源。
- 历史与实时数据的分析完全统一：TDengine 按时间段对数据自动进行分区，即使是 10 年的数据，也无需分库分表，不存在档案数据一说。为降低存储成本，按照数据的新老程度，实行多级存储，但对用户而言是完全透明的。无论是查询最新数据还是 10 年前的数据，只是查询的起止时间不同。
- 时序数据分析的特有功能：TDengine 在标准 SQL 的基础上，针对时序数据的处理进行扩展，提供累计求和、时间加权平均、移动平均、变化率、时间窗口，session 窗口、state 窗口、插值等众多时序数据分析功能。通过时间窗口和插值，可以将不同数据采集点的数据按固定时间间隔将数据的时间戳对齐，便于后续的进一步分析。可以参考 SQL手册了解更多信息。
- 实时数据分析：TDengine 既提供了时间驱动的流式计算(连续查询)，也提供了事件驱动的流式计算。不仅可以对单个数据采集点生成的数据流进行流式计算，也可以对多个采集点的数据流聚合后进行流式计算。对自定义函数的支持更是让流计算能方便地提供对数据的前置处理、转换或任何其他复杂计算。关于流式计算，请看用户文档流式计算。
- 支持Python：不仅提供 Python 连接器，还支持 Pandas 及 data frame，让喜爱 Python 的数据分析师可以很方便地利用各种 Python 库做时序数据分析。
- 其他便捷的数据访问、分析手段：利用 TDengine 提供的命令行程序，可以在终端执行各种即席查询、或者导入导出数据。提供 R 与 Matlab 以及多种编程语言的连接器，支持与 Grafana、Google Data Studio 的无缝集成。
在一般的场景下，TDengine 可以作为时序数据仓库(Time-Series Data Warehouse) 使用，不再需要将时序数据导入到专门的数据仓库或数据湖进行处理分析，数据平台的成本将大幅降低。
更多亮点 >>
