在InfluxDB 2.0中，aggregateWindow函数和pivot函数可以一起使用来对时间序列数据进行聚合和透视。
例如，以下查询将从“my-bucket”中选择“my-measurement”的所有数据，并将其按照每5分钟的时间窗口进行聚合。然后，使用pivot函数将每个传感器（使用“sensor”标签）的值作为新列进行透视：
from(bucket: "my-bucket")
|> range(start: -1h)
|> filter(fn: (r) => r._measurement == "my-measurement" and r._field == "value")
|> aggregateWindow(every: 5m, fn: mean)
|> pivot(rowKey:["_time"], columnKey:["sensor"], valueColumn:"_value")
这个查询会将原始数据按照5分钟时间窗口聚合，并计算每个时间窗口内的平均值。然后，将结果转换为一个新表格，该表格具有以“sensor”标签命名的新列。
需要注意的是，在使用aggregateWindow函数时，请确保指定正确的every参数和fn参数以生成所需的聚合结果。同样，在使用pivot函数时，请仅选择要透视的字段和标记以避免不必要或错误的结果。
![/data # iw --debug dev wlan0 connect -w "lucky-5g" auth open key 0:1234567890
Usage: iw [options] dev connect [-w] [] [] [auth open|shared] [key 0:abcde d:1:6162636465] [mfp:req/opt/no]
Join the network with ...](https://linuxcpp.0voice.com/zb_users/upload/2023/05/202305162239148267954.png)
![驱动代码
void kalRxTaskletSchedule(struct GLUE_INFO *pr)
{
static unsigned int num = 0;
tasklet_hi_schedule(&pr->rRxTask[(num++)%NR_CPUS]);
// tasklet_hi_schedule(&pr->rRxTask);
DBGLOG(HAL, ERROR,](https://linuxcpp.0voice.com/zb_users/upload/2023/05/202305162226144313964.png)
