如何用MongoDB聚合管道计算移动平均值？

MongoDB聚合管道无原生$ movingAvg操作符，须用$setWindowFields配合$avg构造滑动窗口；需先按sensorId和timestamp升序排序，显式partitionBy分组，window用documents[-4,0]取前5条均值，避免range模式；时序不均时应先$dateTrunc对齐再$densify补空。

聚合管道里没有现成的 $movingAvg 操作符

MongoDB 原生聚合阶段（截至 7.0）不提供直接计算移动平均值的运算符。你得用 $setWindowFields 配合 $avg 手动构造窗口——这是目前唯一可靠、支持排序和分组的方案。

常见错误是试图用 $reduce 或多次 $lookup 模拟滑动窗口，结果要么性能崩盘，要么时序错乱（尤其数据缺失或时间戳重复时）。

1. $setWindowFields 要求数据已按时间字段（如 timestamp）升序排序，否则窗口会取错邻近记录
2. 窗口必须用 partitionBy 显式分组（比如按 sensorId），否则跨设备数据混算
3. 不能在 $setWindowFields 外再套 $group——它本身已是分组+窗口计算一体操作

$setWindowFields 计算 5 点移动平均的写法

假设集合 sensors 有字段 timestamp（ISODate）、value（数值），要为每个传感器计算向前 5 条记录的平均值：

[{ $sort: { sensorId: 1, timestamp: 1 } },{$setWindowFields: {partitionBy: "$sensorId",sortBy: { timestamp: 1 },output: {movingAvg5: {$avg: "$value",window: { documents: [-4, 0] }}}}}]

关键点：

1. window: { documents: [-4, 0] } 表示包含当前行（0）和前 4 行（-4 到 -1），共 5 条——不是时间范围，是文档位置偏移
2. 如果某传感器不足 5 条数据，$avg 会自动按实际数量计算（即首几条是“部分窗口”平均，非 null）
3. 别用 range 模式（如 { range: [-3600000, 0], unit: "millisecond" }），它依赖时间戳连续且无重复，极易出错

处理时间不均匀或缺失数据的替代思路

当传感器上报间隔不固定（比如有时 10 秒，有时 5 分钟），基于文档位置的 documents 窗口就不反映真实时间跨度。这时得先补全时间序列：

1. 用 $dateTrunc（MongoDB 7.0+）把 timestamp 对齐到分钟/小时粒度，再 $group 聚合每段时间内的 $avg 值
2. 对齐后若仍有空缺时段，需配合 $densify 插入占位文档（值设为 null），再用 $setWindowFields 计算——但 $avg 会自动忽略 null
3. 旧版本 MongoDB（$densify，只能靠应用层补点或接受时间窗口偏差

注意：$densify 不会创建原始不存在的时间点，它只在 $group 后的有序结果上插值，且要求 sortBy 字段严格递增。

性能和内存限制必须检查

$setWindowFields 的窗口计算在内存中完成，单个分组内文档数超限会报错 errmsg: "Exceeded memory limit for $setWindowFields"。

1. 默认内存限制 100MB，可通过 allowDiskUse: true 允许落盘，但速度显著下降
2. 窗口大小（如 documents: [-99, 0]）越大，内存占用越高——100 点移动平均比 5 点高约 20 倍
3. 如果单个 sensorId 有数万条记录，优先考虑降采样（如先按小时聚合）再算移动平均

真正麻烦的是分组键基数过高：几万个不同 sensorId 会导致大量小窗口并发执行，拖慢整体聚合。这种场景下，应用层分批拉取+本地计算反而更稳。