diff --git a/Task05：SQL高级处理.md b/Task05：SQL高级处理.md
new file mode 100644
index 0000000..960430f
--- /dev/null
+++ b/Task05：SQL高级处理.md
@@ -0,0 +1,215 @@
+# 5.1 窗口函数
+
+## 5.1.1 窗口函数概念及基本的使用方法
+
+窗口函数也称为**OLA****P****函数**。OLAP 是OnLine AnalyticalProcessing 的简称，意思是对数据库数据进行实时分析处理。
+
+为了便于理解，称之为窗口函数。常规的SELECT语句都是对整张表进行查询，而窗口函数可以让我们有选择的去某一部分数据进行汇总、计算和排序。
+
+窗口函数的通用形式：
+
+```sql
+<窗口函数> OVER ([PARTITION BY <列名>]
+                     ORDER BY <排序用列名>)  
+```
+*[]中的内容可以省略。
+窗口函数最关键的是搞明白关键字**PARTITON BY**和**ORDER BY**的作用。
+
+**PARTITON BY**是用来分组，即选择要看哪个窗口，类似于GROUP BY 子句的分组功能，但是PARTITION BY 子句并不具备GROUP BY 子句的汇总功能，并不会改变原始表中记录的行数。
+
+**ORDER BY**是用来排序，即决定窗口内，是按那种规则(字段)来排序的。
+
+举个栗子:
+
+```sql
+SELECT product_name
+       ,product_type
+       ,sale_price
+       ,RANK() OVER (PARTITION BY product_type
+                         ORDER BY sale_price) AS ranking
+  FROM Product  
+```
+
+得到的结果是:
+
+![图片](https://github.com/datawhalechina/team-learning-sql/blob/main/img/ch05/ch0501.png)
+
+我们先忽略生成的新列 - [ranking]， 看下原始数据在PARTITION BY 和 ORDER BY 关键字的作用下发生了什么变化。
+
+PARTITION BY 能够设定窗口对象范围。本例中，为了按照商品种类进行排序，我们指定了product_type。即一个商品种类就是一个小的"窗口"。
+
+ORDER BY 能够指定按照哪一列、何种顺序进行排序。为了按照销售单价的升序进行排列，我们指定了sale_price。此外，窗口函数中的ORDER BY与SELECT语句末尾的ORDER BY一样，可以通过关键字ASC/DESC来指定升序/降序。省略该关键字时会默认按照ASC，也就是
+
+升序进行排序。本例中就省略了上述关键字 。
+
+
+![图片](https://github.com/datawhalechina/team-learning-sql/blob/main/img/ch05/ch0502.png)
+
+
+
+# 5.2 窗口函数种类
+
+大致来说，窗口函数可以分为两类。
+
+一是 将SUM、MAX、MIN等聚合函数用在窗口函数中
+
+二是 RANK、DENSE_RANK等排序用的专用串口函数
+
+## 5.2.1 专用窗口函数
+
+* **RANK函数**
+
+计算排序时，如果存在相同位次的记录，则会跳过之后的位次。
+
+例）有 3 条记录排在第 1 位时：1 位、1 位、1 位、4 位……
+
+* **DENSE_RANK函数**
+
+同样是计算排序，即使存在相同位次的记录，也不会跳过之后的位次。
+
+例）有 3 条记录排在第 1 位时：1 位、1 位、1 位、2 位……
+
+* **ROW_NUMBER函数**
+
+赋予唯一的连续位次。
+
+例）有 3 条记录排在第 1 位时：1 位、2 位、3 位、4 位
+
+运行以下代码：
+
+```sql
+SELECT  product_name
+       ,product_type
+       ,sale_price
+       ,RANK() OVER (ORDER BY sale_price) AS ranking
+       ,DENSE_RANK() OVER (ORDER BY sale_price) AS dense_ranking
+       ,ROW_NUMBER() OVER (ORDER BY sale_price) AS row_num
+  FROM Product  
+```
+
+![图片](https://github.com/datawhalechina/team-learning-sql/blob/main/img/ch05/ch0503.png)
+
+
+## 5.2.2 聚合函数在窗口函数上的使用
+
+聚合函数在开窗函数中的使用方法和之前的专用窗口函数一样，只是出来的结果是一个**累计**的聚合函数值。
+
+运行以下代码：
+
+```sql
+SELECT  product_id
+       ,product_name
+       ,sale_price
+       ,SUM(sale_price) OVER (ORDER BY product_id) AS current_sum
+       ,AVG(sale_price) OVER (ORDER BY product_id) AS current_avg  
+  FROM Product;  
+```
+
+![图片](https://github.com/datawhalechina/team-learning-sql/blob/main/img/ch05/ch0504.png)
+
+![图片](https://github.com/datawhalechina/team-learning-sql/blob/main/img/ch05/ch0505.png)
+
+可以看出，聚合函数结果是，按我们指定的排序，这里是product_id，**当前所在行及之前所有的行**的合计或均值。即累计到当前行的聚合。
+
+
+# 5.3 窗口函数的的应用 - 计算移动平均
+
+在上面提到，聚合函数在窗口函数使用时，计算的是累积到当前行的所有的数据的聚合。 实际上，还可以指定更加详细的**汇总范围**。该汇总范围成为**框架(****frame****)。**
+
+语法
+
+```sql
+<窗口函数> OVER (ORDER BY <排序用列名>
+                 ROWS n PRECEDING )  
+                 
+<窗口函数> OVER (ORDER BY <排序用列名>
+                 ROWS BETWEEN n PRECEDING AND n FOLLOWING)
+```
+PRECEDING（“之前”）， 将框架指定为 “截止到之前 n 行”，加上自身行
+
+FOLLOWING（“之后”）， 将框架指定为 “截止到之后 n 行”，加上自身行
+
+BETWEEN 1 PRECEDING AND 1 FOLLOWING，将框架指定为 “之前1行” + “之后1行” + “自身”
+
+执行以下代码：
+
+```sql
+SELECT  product_id
+       ,product_name
+       ,sale_price
+       ,AVG(sale_price) OVER (ORDER BY product_id
+                               ROWS 2 PRECEDING) AS moving_avg
+       ,AVG(sale_price) OVER (ORDER BY product_id
+                               ROWS BETWEEN 1 PRECEDING 
+                                        AND 1 FOLLOWING) AS moving_avg  
+  FROM Product  
+```
+
+**执行结果：**
+
+注意观察框架的范围。
+
+ROWS 2 PRECEDING：
+
+![图片](https://github.com/datawhalechina/team-learning-sql/blob/main/img/ch05/ch0506.png)
+
+ROWS BETWEEN 1 PRECEDING AND 1 FOLLOWING：
+
+![图片](https://github.com/datawhalechina/team-learning-sql/blob/main/img/ch05/ch0507.png)
+
+## 5.3.1 窗口函数适用范围和注意事项
+
+* 原则上，窗口函数只能在SELECT子句中使用。
+* 窗口函数OVER 中的ORDER BY 子句并不会影响最终结果的排序。其只是用来决定窗口函数按何种顺序计算。
+# 5.4 GROUPING运算符
+
+## 5.4.1 ROLLUP - 计算合计及小计
+
+常规的GROUP BY 只能得到每个分类的小计，有时候还需要计算分类的合计，可以用 ROLLUP关键字。
+
+```sql
+SELECT  product_type
+       ,regist_date
+       ,SUM(sale_price) AS sum_price
+  FROM Product
+ GROUP BY product_type, regist_date WITH ROLLUP  
+```
+得到的结果为：
+
+![图片](https://github.com/datawhalechina/team-learning-sql/blob/main/img/ch05/ch0508.png)
+
+![图片](https://github.com/datawhalechina/team-learning-sql/blob/main/img/ch05/ch0509.png)
+
+这里ROLLUP 对product_type, regist_date两列进行合计汇总。结果实际上有三层聚合，如下图 模块3是常规的 GROUP BY 的结果，需要注意的是衣服 有个注册日期为空的，这是本来数据就存在日期为空的，不是对衣服类别的合计； 模块2和1是 ROLLUP 带来的合计，模块2是对产品种类的合计，模块1是对全部数据的总计。
+
+ROLLUP 可以对多列进行汇总求小计和合计。
+
+# ![图片](https://github.com/datawhalechina/team-learning-sql/blob/main/img/ch05/ch0510.png)
+
+# 练习题
+
+## **5.1**
+
+请说出针对本章中使用的 Product（商品）表执行如下 SELECT 语句所能得到的结果。
+
+```sql
+SELECT  product_id
+       ,product_name
+       ,sale_price
+       ,MAX(sale_price) OVER (ORDER BY product_id) AS Current_max_price
+  FROM Product
+```
+## **5.2**
+
+继续使用Product表，计算出按照登记日期（regist_date）升序进行排列的各日期的销售单价（sale_price）的总额。排序是需要将登记日期为NULL 的“运动 T 恤”记录排在第 1 位（也就是将其看作比其他日期都早）
+
+## **5.3**
+
+思考题
+
+① 窗口函数不指定PARTITION BY的效果是什么？
+
+② 为什么说窗口函数只能在SELECT子句中使用？实际上，在ORDER BY 子句使用系统并不会报错。
+
+
+