参考Prometheus官网文档：https://prometheus.io/docs/prometheus/latest/querying/functions/
数学函数
| 函数名称 | 函数描述 | 返回值 |
|---|---|---|
abs() | 返回输入向量中所有浮点样本的绝对值 | 包含绝对值的向量 |
ceil() | 向上取整到最接近的整数 | 向上取整后的向量 |
floor() | 向下取整到最接近的整数 | 向下取整后的向量 |
round() | 四舍五入到最接近的整数 | 四舍五入后的向量 |
exp() | 计算指数函数e^x | 指数值向量 |
ln() | 计算自然对数 | 自然对数向量 |
log2() | 计算以2为底的对数 | 对数向量 |
log10() | 计算以10为底的对数 | 对数向量 |
sqrt() | 计算平方根 | 平方根向量 |
sgn() | 返回符号：正数返回1，负数返回-1，零返回0 | 符号向量 |
常用示例：
# 取绝对值
abs(temperature)
# 向上取整
ceil(cpu_usage) # 1.49 → 2.0
# 向下取整
floor(memory_usage) # 1.78 → 1.0
# 四舍五入到最接近的0.5
round(latency, 0.5)
限制函数
| 函数名称 | 函数描述 | 返回值 |
|---|---|---|
clamp() | 将值限制在指定的最小值和最大值之间 | 限制后的向量 |
clamp_max() | 将值限制在指定的最大值以下 | 限制后的向量 |
clamp_min() | 将值限制在指定的最小值以上 | 限制后的向量 |
常用示例：
# 将CPU使用率限制在0-100之间
clamp(cpu_usage, 0, 100)
# 将内存使用限制在1024以下
clamp_max(memory_usage_bytes, 1024*1024*1024)
# 确保磁盘使用率不为负数
clamp_min(disk_usage, 0)
时间和日期函数
| 函数名称 | 函数描述 | 返回值 |
|---|---|---|
time() | 返回自1970年1月1日UTC以来的秒数 | 当前时间戳（秒） |
timestamp() | 返回向量中每个样本的时间戳 | 时间戳向量 |
minute() | 返回时间戳的分钟部分（0-59） | 分钟值向量 |
hour() | 返回时间戳的小时部分（0-23） | 小时值向量 |
day_of_week() | 返回星期几（0-6，0表示星期日） | 星期值向量 |
day_of_month() | 返回月份中的第几天（1-31） | 日期值向量 |
day_of_year() | 返回一年中的第几天（1-365/366） | 天数值向量 |
days_in_month() | 返回月份的天数（28-31） | 天数值向量 |
month() | 返回月份（1-12） | 月份值向量 |
year() | 返回年份 | 年份值向量 |
常用示例：
# 获取当前小时（0-23）
hour()
# 获取指标的时间戳
timestamp(up)
# 只在工作日（周一到周五）执行告警
day_of_week() > 0 and day_of_week() < 6
# 获取当前月份
month()
变化率和增长函数
| 函数名称 | 函数描述 | 返回值 |
|---|---|---|
rate() | 计算时间序列的每秒平均增长率（用于Counter） | 每秒增长率向量 |
irate() | 计算时间序列的瞬时增长率（基于最后两个数据点） | 瞬时增长率向量 |
increase() | 计算时间范围内的增长量（用于Counter） | 增长量向量 |
delta() | 计算时间范围内的差值（用于Gauge） | 差值向量 |
idelta() | 计算最后两个样本之间的差值（用于Gauge） | 差值向量 |
deriv() | 计算时间序列的每秒导数（使用简单线性回归） | 导数向量 |
predict_linear() | 基于线性回归预测未来值 | 预测值向量 |
changes() | 返回时间范围内值变化的次数 | 变化次数向量 |
resets() | 返回Counter重置的次数 | 重置次数向量 |
常用示例：
# 计算HTTP请求的每秒速率
rate(http_requests_total[5m])
# 计算过去5分钟的请求增长量
increase(http_requests_total[5m])
# 计算CPU温度在2小时内的变化
delta(cpu_temp_celsius[2h])
# 预测1小时后的磁盘使用量（3600秒后）
predict_linear(disk_usage_bytes[1h], 3600)
聚合函数（时间范围）
| 函数名称 | 函数描述 | 返回值 |
|---|---|---|
avg_over_time() | 计算时间范围内的平均值 | 平均值向量 |
min_over_time() | 计算时间范围内的最小值 | 最小值向量 |
max_over_time() | 计算时间范围内的最大值 | 最大值向量 |
sum_over_time() | 计算时间范围内的总和 | 总和向量 |
count_over_time() | 计算时间范围内的样本数量 | 样本数量向量 |
quantile_over_time() | 计算时间范围内的分位数 | 分位数向量 |
stddev_over_time() | 计算时间范围内的标准差 | 标准差向量 |
stdvar_over_time() | 计算时间范围内的方差 | 方差向量 |
last_over_time() | 返回时间范围内的最后一个样本 | 最后样本向量 |
present_over_time() | 如果时间范围内有任何样本则返回1 | 0或1的向量 |
常用示例：
# 计算过去5分钟CPU使用率的平均值
avg_over_time(cpu_usage[5m])
# 获取过去1小时温度的最大值
max_over_time(temperature[1h])
# 计算过去5分钟的95分位延迟
quantile_over_time(0.95, http_request_duration_seconds[5m])
# 检查指标在过去5分钟内是否有数据
present_over_time(up[5m])
实验性聚合函数（需要启用特性标志）
这些函数需要通过 --enable-feature=promql-experimental-functions 启用。
| 函数名称 | 函数描述 | 返回值 |
|---|---|---|
mad_over_time() | 计算时间范围内的中位数绝对偏差 | MAD值向量 |
first_over_time() | 返回时间范围内的第一个样本 | 第一个样本向量 |
ts_of_first_over_time() | 返回第一个样本的时间戳 | 时间戳向量 |
ts_of_last_over_time() | 返回最后一个样本的时间戳 | 时间戳向量 |
ts_of_min_over_time() | 返回最小值样本的时间戳 | 时间戳向量 |
ts_of_max_over_time() | 返回最大值样本的时间戳 | 时间戳向量 |
double_exponential_smoothing() | 双指数平滑（Holt Linear） | 平滑值向量 |
常用示例：
# 获取时间范围内的第一个样本
first_over_time(metric[5m])
# 获取最大值出现的时间戳
ts_of_max_over_time(cpu_usage[1h])
# 双指数平滑（平滑因子0.5，趋势因子0.5）
double_exponential_smoothing(metric[5m], 0.5, 0.5)
直方图函数
| 函数名称 | 函数描述 | 返回值 |
|---|---|---|
histogram_count() | 返回直方图中的观测数量 | 计数向量 |
histogram_sum() | 返回直方图中的观测总和 | 总和向量 |
histogram_avg() | 返回直方图的算术平均值 | 平均值向量 |
histogram_quantile() | 计算直方图的分位数 | 分位数向量 |
histogram_fraction() | 计算指定范围内的观测比例 | 比例向量 |
histogram_stddev() | 返回直方图的标准差估计值 | 标准差向量 |
histogram_stdvar() | 返回直方图的方差估计值 | 方差向量 |
常用示例：
# 计算90分位的请求延迟（经典直方图）
histogram_quantile(0.9, rate(http_request_duration_seconds_bucket[10m]))
# 计算平均请求延迟（原生直方图）
histogram_avg(rate(http_request_duration_seconds[5m]))
# 计算200ms以内请求的比例
histogram_fraction(0, 0.2, rate(http_request_duration_seconds[1h]))
# 按job聚合计算90分位延迟
histogram_quantile(0.9, sum by (job, le) (rate(http_request_duration_seconds_bucket[10m])))
标签操作函数
| 函数名称 | 函数描述 | 返回值 |
|---|---|---|
label_join() | 将多个标签的值连接成新标签 | 带新标签的向量 |
label_replace() | 使用正则表达式替换标签值 | 替换后的向量 |
常用示例：
# 将多个标签连接成新标签
label_join(up{job="api-server"}, "endpoint", ":", "instance", "port")
# 使用正则提取标签的一部分
label_replace(up{service="api:v1"}, "version", "$1", "service", ".*:(.*)")
# 从instance标签中提取主机名
label_replace(up, "host", "$1", "instance", "([^:]+):.*")
排序函数
| 函数名称 | 函数描述 | 返回值 |
|---|---|---|
sort() | 按样本值升序排序 | 排序后的向量 |
sort_desc() | 按样本值降序排序 | 排序后的向量 |
sort_by_label() | 按标签值升序排序（实验性） | 排序后的向量 |
sort_by_label_desc() | 按标签值降序排序（实验性） | 排序后的向量 |
常用示例：
# 按请求数降序排列
sort_desc(http_requests_total)
# 按instance标签升序排列
sort_by_label(up, "instance")
缺失值检测函数
| 函数名称 | 函数描述 | 返回值 |
|---|---|---|
absent() | 如果向量为空则返回1，否则返回空向量 | 0或1的向量 |
absent_over_time() | 如果时间范围内向量为空则返回1 | 0或1的向量 |
常用示例：
# 检测指标是否不存在（用于告警）
absent(up{job="api-server"})
# 检测过去1小时内是否没有数据
absent_over_time(up{job="api-server"}[1h])
类型转换函数
| 函数名称 | 函数描述 | 返回值 |
|---|---|---|
scalar() | 将单元素向量转换为标量 | 标量值或NaN |
vector() | 将标量转换为向量 | 单元素向量 |
常用示例：
# 将聚合结果转换为标量用于计算
scalar(sum(up))
# 将常量转换为向量
vector(100)
元数据函数
| 函数名称 | 函数描述 | 返回值 |
|---|---|---|
info() | 返回包含info标签的指标信息 | info类型指标 |
常用示例：
# 获取目标的元数据信息
target_info
三角函数
| 函数名称 | 函数描述 | 返回值 |
|---|---|---|
acos() | 反余弦函数 | 反余弦值向量 |
acosh() | 反双曲余弦函数 | 反双曲余弦值向量 |
asin() | 反正弦函数 | 反正弦值向量 |
asinh() | 反双曲正弦函数 | 反双曲正弦值向量 |
atan() | 反正切函数 | 反正切值向量 |
atanh() | 反双曲正切函数 | 反双曲正切值向量 |
cos() | 余弦函数 | 余弦值向量 |
cosh() | 双曲余弦函数 | 双曲余弦值向量 |
sin() | 正弦函数 | 正弦值向量 |
sinh() | 双曲正弦函数 | 双曲正弦值向量 |
tan() | 正切函数 | 正切值向量 |
tanh() | 双曲正切函数 | 双曲正切值向量 |
deg() | 将弧度转换为角度 | 角度值向量 |
rad() | 将角度转换为弧度 | 弧度值向量 |
pi() | 返回π的值 | π值 |
常用示例：
# 获取π的值
pi()
# 将角度转换为弧度
rad(90) # 结果约为1.5708
# 将弧度转换为角度
deg(pi()) # 结果为180