总结：Prometheus内置函数
一、介绍
就如同SQL中有一些内置函数，PromQL中也存在一些函数，我们可以在进行PromQL表达式进行使用，完成一些数据的处理。
学习函数前至少需要知道如下概念，因为函数的概念和传入的数据类型有关
- 瞬时数据 (Instant vector): 包含一组时序，每个时序只有一个点，例如：
http_requests_total - 区间数据 (Range vector): 包含一组时序，每个时序有多个点，例如：
http_requests_total[5m] - 纯量数据 (Scalar): 纯量只有一个数字，没有时序，例如：
count(http_requests_total)
二、聚合函数
1、常用聚合函数
sum (求和)、min (最小值)、max (最大值)、avg (平均值)
count (样本数量计数)、bottomk (样本值最小的 k 个元素)、topk (样本值最大的k个元素，和bottomk正好相反，用法一致)
案例：count，计算大于12189696的样本数量，如下，结果有4个
案例：bottomk(2,key)，如下，查出最小的两个值
案例：topk(3,key)
2、其它
stddev (标准差)
stdvar (标准差异)
count_values (对 value 进行计数)
quantile (分布统计)
三、其他常用函数
absent(v instant-vector) ：传入一个瞬时非空向量则返回空向量，否则返回不带名称值为1的指标，用来监控空数据的情况，即nodata监控
ceil(v instant-vector) ：四舍五入取整
floor(v instant-vector) ：与 ceil() 函数相反，舍弃小数部分取整
ceil函数：
floor函数：
rate(v range-vector) ：用于计算区间向量平均增长率，如计算QPS
参考：prometheus -- rate()与irate()分析与源码 - SegmentFault 思否
计算方法：
- 取时间范围内的firstValue和lastValue；
- 变化率 = (lastValue - firstValue) / Range；
irate(v range-vector) ：使用rate计算快速变化的样本平均增长率时，容易陷入长尾问题，因为它用平均值将峰值削平了，无法反映时间窗口内样本数据的快速变化。与rate类似，irate同样可以计算counter的平均增长率，但其反映出的是瞬时增长率。irate计算增长率时，使用指定时间范围内的最后两个样本数据
delta(v range-vector) ：参数是一个区间向量，返回一个瞬时向量。它计算一个区间向量 v 的第一个元素和最后一个元素之间的差值
- 和张羽看了prometheus的实现代码，可以简单理解为就是最后一个点的值减去第一个点的值。
- 但是实际上真实场景中，第一个点和最后一个点不可能每次都正好每和时间区间的第一个时间点和最后一个时间点相吻合，所以prometheus在代码中做了大量的计算，由于涉及到很多除法运算，因此结果一般都是小数
idelta(v range-vector) ：参数是一个区间向量, 返回一个瞬时向量。它计算最新的 2 个样本值之间的差值。(当区间内仅有一个向量时无返回值)
increase(v range-vector) 函数获取区间向量中的第一个和最后一个样本并返回其增长量，它会在单调性发生变化时(如由于采样目标重启引起的计数器复位)自动中断。
abs(instant-vector) 求瞬时向量绝对值
changes(v range-vector) 计算区间向量中每个样本值变化次数，返回的是瞬时向量
clamp_max(v instant-vector, max scalar) 瞬时向量值如果大于max 则值修改为max，否则值不变（用于将向量规范到一个不大于max的区间内）
clamp_min(v instant-vector, min scalar) 同理，将向量规范到一个不小于min值的范围内
day_of_month(v=vector(time()) instant-vector) 返回 1～31 向量所在UTC时间中的所在月份的第几天
day_of_week(v=vector(time()) instant-vector) 函数，返回被给定 UTC 时间所在周的第几天。返回值范围：0~6，0 表示星期天。
days_in_month(v=vector(time()) instant-vector) 函数，返回当月一共有多少天。返回值范围：28~31。
deriv(v range-vector) 的参数是一个区间向量,返回一个瞬时向量。它使用简单的线性回归计算区间向量 v 中各个时间序列的导数。
exp(v instant-vector) 函数，输入一个瞬时向量，返回各个样本值的 e 的指数值，即 e 的 N 次方。当得到一个无穷大的值，显示 +Inf， 反之显示0, e的负数次方无限趋进0。e的空向量指数依然为空向量。
year(v=vector(time()) instant-vector) 函数返回被给定 UTC 时间的当前年份。
hour(v=vector(time()) instant-vector) 函数返回被给定 UTC 时间的当前第几个小时，时间范围：0~23。
minute(v=vector(time()) instant-vector) 函数返回给定 UTC 时间当前小时的第多少分钟。结果范围：0~59。
month(v=vector(time()) instant-vector) 函数返回给定 UTC 时间当前属于第几个月，结果范围：0~12。
label_join(v instant-vector, dst_label string, separator string, src_label_1 string, src_label_2 string, ...) 函数可以将时间序列 v 中多个标签 src_label 的值，通过 separator 作为连接符写入到一个新的标签 dst_label 中。可以有多个 src_label 标签。
| 1 2 |
|
label_replace(v instant-vector, dst_label string, replacement string, src_label string, regex string) 在原标签中匹配字符，放到目标标签中
ln(v instant-vector) 计算瞬时向量 v 中所有样本数据的自然对数。
| 1 2 3 4 |
|
log2(v instant-vector) 函数计算瞬时向量 v 中所有样本数据的二进制对数。特殊情况同ln。
log10(v instant-vector) 计算瞬时向量 v 中所有样本数据的十进制对数。特殊情况同ln。
predict_linear(v range-vector, t scalar) 函数可以预测时间序列 v 在 t 秒后的值。它基于简单线性回归的方式，对时间窗口内的样本数据进行统计，从而可以对时间序列的变化趋势做出预测。
resets(v range-vector) 的参数是一个区间向量。对于每个时间序列，它都返回一个计数器重置的次数。两个连续样本之间单调性发生变化被认为是一次计数器重置。
round(v instant-vector, to_nearest=1 scalar) 函数与 ceil 和 floor 函数类似，返回向量中所有样本值的最接近to_nearest值整数倍的值，当to_nearest=1时等价于ceil。
scalar(v instant-vector) 函数返回一个单元素瞬时向量的样本值，当多元素或者没有元素返回Nan。
vector(s scalar) 函数将标量 s 作为没有标签的向量返回（和scalar作用刚好相反）。
sort(v instant-vector) 函数对向量按元素的值进行升序排序。
sort_desc(v instant-vector) 函数对向量按元素的值进行降序排序。
sqrt(v instant-vector) 函数计算向量 v 中所有元素的平方根。
timestamp(v instant-vector) 函数返回向量 v 中的每个样本的时间戳（从 1970-01-01 到现在的秒数）。
avg_over_time(range-vector) : 区间向量内每个度量指标的平均值。
min_over_time(range-vector) : 区间向量内每个度量指标的最小值。
max_over_time(range-vector) : 区间向量内每个度量指标的最大值。
sum_over_time(range-vector) : 区间向量内每个度量指标的求和。
count_over_time(range-vector) : 区间向量内每个度量指标的样本数据个数。
到此所有常用函数都介绍完了，还有一些少见的如直方图等请查阅prometheus官网文档。
四、group_left函数
on, ignore, group_left, group_right
基础的模式是这样：
第一个vector的标签：{name, instance, service, method, host},第二个vector的标签{name, instance, service, method}
vector_1
这种就会去找两个vector标签和标签值都完全匹配的条目来做op这个操作。
on
vector_1
这个函数会只在前面和后面都出现的标签上面做完全匹配.
vector_1 + on(instance) vector_2：就只会找都有instance标签并且instance的值相同的条目进行计算
ignoring
这个函数跟on相反，忽略对一些标签的匹配
vector_1 + ignoring(instance) vector_2：忽略instance标签，其他的按照默认的情况匹配
group_left
针对第一个vector筛选出来的条目更多，但是两个vector的label可能不匹配，所以需要on或者ignore来限定标签。
左边和右边是1：N的关系
vector_1 + ignore(instance，host) group_left vector_2：这个就代表在忽略instance和host的情况下，左边的vector可能会多出一些条目跟右边的一条条目匹配并作运算。
和张羽确认了下，就是将右边的标签加到左边的，但是一般结合on使用，如下：
group_left作用即是将左右pod相同的情况，把右边的label_qke_cloud_qiyi_domain_app_id和label_qke_cloud_qiyi_domain_app_name两个标签加到左边，加过去之后就可以用sum by求和了
sum by (label_qke_cloud_qiyi_domain_app_id, label_qke_cloud_qiyi_domain_app_name) (rate(http_server_requests_seconds_count{}[5m]) * on (pod) group_left(label_qke_cloud_qiyi_domain_app_id, label_qke_cloud_qiyi_domain_app_name) kube_pod_labels{label_qke_cloud_qiyi_domain_app_name=\"hubble-biz-log\"})
比如：http_server_requests_seconds_count，搜索发现并不含label_qke_cloud_qiyi_domain_app_id
我们再搜索下kube_pod_labels：是包含label_qke_cloud_qiyi_domain_app_id 和 label_qke_cloud_qiyi_domain_app_name两个标签的，所以解释起来就合理了，就是将
还没完，还有多对一的关系：
我们看pod：我们发现，http_server_requests_seconds_count相同的pod是很多的，如下：
再看kube_pod_labels{pod="biz-alarm-query-pod-6888f58676-xqk4j"}，如下图所示：pod是唯一的。
所以左边和右边是1：N的关系，所以是将右边的两个指标加到左边所有pod相同的指标中去
验证下：rate(http_server_requests_seconds_count{}[5m]) * on (pod) group_left(label_qke_cloud_qiyi_domain_app_id, label_qke_cloud_qiyi_domain_app_name) kube_pod_labels{label_qke_cloud_qiyi_domain_app_name="hubble-biz-log"}
如下图，标签确实被加进来了
顺便记录下：
kube_pod_labels是kube-state-metrics（kube-state-metrics - 滴滴滴 - 博客园）暴露出来的指标，K8S集群相关的指标是由kube-state-metrics暴露的；
另外，以container_开头的指标是由cAdvisor(集成在kubelet内，用作容器监控)暴露出来的指标
group_right：跟上面的group_left相反。
参考：
PromQL内置函数
Prometheus杂七杂八的东西_Greetlist的博客-CSDN博客_prometheus unless
如何处理PromeQL一对多的运算_运维打怪晋级之路的博客-CSDN博客_promeql