01
什么是Point-in-Time Join
定义、核心概念、为什么需要它 —— 从时间感知角度重新理解关联。
基础时间语义
02
数据仓库中的时间维度
缓慢变化维度(SCD)类型、有效时间与事务时间，建模基石。
SCD维度建模
03
业务场景分析
历史状态回溯、报表生成、审计追踪 —— 真实需求驱动。
场景审计
04
传统Join的局限性
非时间感知Join的问题、数据不一致性，为何需要PIT。
陷阱对比
05
核心原理
时间区间匹配、快照语义、状态重建，PIT的灵魂。
原理快照
06
SQL实现方式
使用BETWEEN和日期范围、JOIN条件中的时间过滤。
SQL过滤
07
使用窗口函数
LAG/LEAD函数、FIRST_VALUE/LAST_VALUE 实现时间对齐。
窗口分析
08
使用临时表与CTE
构建时间序列、递归CTE的应用，灵活组装。
CTE递归
09
性能优化
索引策略、分区裁剪、数据倾斜处理，让PIT跑得快。
性能调优
10
与SCD Type 2的结合
拉链表设计、历史数据查询，经典组合。
SCD2拉链
11
与SCD Type 1/3的对比
覆盖更新、有限历史，不同策略的取舍。
SCD1SCD3
12
时间旅行查询
AS OF语法、快照查询，回到任意时间点。
时间旅行AS OF
13
在Apache Spark中的实现
Spark SQL时间函数、DataFrame API 构建PIT。
SparkDataFrame
14
在Snowflake中的实现
Time Travel、CLONE命令，零成本回溯。
SnowflakeTime Travel
15
在BigQuery中的实现
FOR SYSTEM_TIME AS OF、时间分区表，无服务器PIT。
BigQuery分区
16
在Delta Lake中的实现
Time Travel、版本管理，Lakehouse 原生支持。
Delta Lake版本
17
在Apache Hudi中的实现
增量查询、时间线，面向数据湖的PIT。
Hudi增量
18
在Iceberg中的实现
Snapshot Isolation、分支与标签，灵活时间线。
Iceberg快照
19
数据一致性保证
事务边界、隔离级别，确保PIT结果正确。
一致性事务
20
处理未来数据
未来有效记录、预加载策略，前瞻性设计。
未来预加载
21
处理历史修正
回填数据、修正已发布报表，数据修复艺术。
修正回填
22
大规模数据挑战
数据膨胀、存储成本、查询延迟，PIT的 scalability。
大规模成本
23
增量计算与物化视图
增量刷新、预计算，加速PIT查询。
物化视图增量
24
与流处理的结合
CDC捕获、实时状态重建，流批一体PIT。
流处理CDC
25
测试与验证
数据质量检查、结果对比，保障PIT正确性。
测试质量
26
常见错误与陷阱
笛卡尔积、时间边界处理，避开PIT的坑。
陷阱笛卡尔积
27
最佳实践
建模建议、查询优化、监控，生产级PIT。
最佳实践优化
28
案例分析：金融交易历史
电商订单状态，真实业务中的PIT应用。
金融电商
29
案例分析：用户画像演变
库存快照，维度随时间变化的经典案例。
画像库存
30
未来趋势
实时PIT Join、AI辅助优化，下一代时间关联。
趋势AI