SQL 强化练习 (二)

继续 sql 搞起来, 面向过程来弄, 重点是分析的思路, 涉及的的 left join, inner join, group by +_ having, case when ... 等场景, 也是比较详细地记录整个分析的过程, 虽然实现并不难.

数据关系

这个是都次都要重复提及的. 只有熟练知晓表结构, 才能做各种查询呀.

需求

第 02 题

查询平均成绩大于80分的学生的学号和平均成绩.

分析

只用使用一个 score 表就搞定了.

mysql> select * from score;
+------+------+-------+
| s_id | c_id | score |
+------+------+-------+
| 0001 | 0001 |    80 |
| 0001 | 0002 |    90 |
| 0001 | 0003 |    99 |
| 0002 | 0002 |    60 |
| 0002 | 0003 |    80 |
| 0003 | 0001 |    80 |
| 0003 | 0002 |    80 |
| 0003 | 0003 |    80 |
+------+------+-------+
8 rows in set (0.00 sec)

直接对 score 表 对 s_id 做 group by 然后对 avg(score), 再组内过滤 (haing) 即可.

-- 先弄分组聚合, 注意要先写 s_id
select
  s_id,
  avg(score)
from score
group by
  s_id;

+------+------------+
| s_id | avg(score) |
+------+------------+
| 0001 |    89.6667 |
| 0002 |    70.0000 |
| 0003 |    80.0000 |
+------+------------+
3 rows in set (0.00 sec)

这样, 学号和平均成绩都有了, 然后还要一个, 平均成绩大于 80, 这就是 对 group by 后的一个筛选, 用 having.

select
  s_id as "学号",
  avg(score)  as "平均成绩"
from score
group by s_id
having avg(score) > 80;

这上面没过滤之前就能看出, 大于80的, 就只有1号老铁这个学霸.

+--------+--------------+
| 学号   | 平均成绩     |
+--------+--------------+
| 0001   |      89.6667 |
+--------+--------------+
1 row in set (0.00 sec)

补充

-- 增加对 group by 中没有用到的字段是没啥意义的
select
  s_id as "学号",
  avg(score)  as "平均成绩", 
  c_id -- add
from score
group by s_id
having avg(score) > 80;

+--------+--------------+------+
| 学号   | 平均成绩     | c_id |
+--------+--------------+------+
| 0001   |      89.6667 | 0001 |
+--------+--------------+------+
1 row in set (0.00 sec)

这个 c_id 是没有任何意义的, 因为是平均成绩嘛, 因此, **最好不要将 group by 无关的字段给放在 select 中去哦.

其实 pandas 也是一样的处理方式, df.groupby("s_id").agg({"score": "mean"}) . 当然可能是习惯问题, 我总感觉 Python 这种写法会更加直观些, 先分组, 再聚合 , 说的是写法上哈.

本题的核心点: group by + having.

第 03 题

查询所有学生的学号, 姓名, 选课数, 总成绩.

分析

分析: 其实就是以学生表, 我主表, 然后左连接成绩表, 然后再按 s_id group by 再聚合即可.

首先用 学生表为主表, left join 成绩表即可.

select *
from student as a
left join  score as b
on a.s_id = b.s_id;

先连接上看看.

+------+-----------+------------+--------+------+------+-------+
| s_id | s_name    | birth_date | gender | s_id | c_id | score |
+------+-----------+------------+--------+------+------+-------+
| 0001 | 王二      | 1989-01-01 | 男     | 0001 | 0001 |    80 |
| 0001 | 王二      | 1989-01-01 | 男     | 0001 | 0002 |    90 |
| 0001 | 王二      | 1989-01-01 | 男     | 0001 | 0003 |    99 |
| 0002 | 星落      | 1990-12-21 | 女     | 0002 | 0002 |    60 |
| 0002 | 星落      | 1990-12-21 | 女     | 0002 | 0003 |    80 |
| 0003 | 胡小适    | 1991-12-21 | 男     | 0003 | 0001 |    80 |
| 0003 | 胡小适    | 1991-12-21 | 男     | 0003 | 0002 |    80 |
| 0003 | 胡小适    | 1991-12-21 | 男     | 0003 | 0003 |    80 |
| 0004 | 油哥      | 1996-10-01 | 男     | NULL | NULL |  NULL |
+------+-----------+------------+--------+------+------+-------+
9 rows in set (0.06 sec)

然后, 对 s_id 进行 group by, 对 c_id 进行 count, 对 score 进行 sum.

select
 a.s_id as "学号",
 a.s_name as "姓名",
 count(b.c_id) as "选课数",
 sum(b.score) as "总成绩"

from student as a
left join  score as b
on a.s_id = b.s_id

group by a.s_id;

阅读顺序跟写的顺序是, 先写表连接的部分, 然后再 group by, 最后再 写最终要查询的字段 (包含聚合)

+--------+-----------+-----------+-----------+
| 学号   | 姓名      | 选课数    | 总成绩    |
+--------+-----------+-----------+-----------+
| 0001   | 王二      |         3 |       269 |
| 0002   | 星落      |         2 |       140 |
| 0003   | 胡小适    |         3 |       240 |
| 0004   | 油哥      |         0 |      NULL |
+--------+-----------+-----------+-----------+
4 rows in set (0.04 sec)

在这里看上去是没啥问题的, 对于这句 a.s_id as "学号", a.s_name as "姓名", 在本例, 学号跟姓名是 1:1 的关系, 是ok 的. 但假如说, 不是 1: 1 就可能产生很大的问题. 当然我用 pandas 时写也是这样类似的:

# 假设这里的 df 已经是 merge 好了的哈, 直接group by 

df.groupby("s_id").agg({"s_id":" count"}, 
                       {"score": "sum"}
                      )

其实套路都是一样的, 重点是理解这个 , apply -> group by -> aggregation 的通用套路. 就连大数据的 mapReduce 也是差不多的思想呀.

严格来讲, 这里的 a.s_name z 字段跟 group by 后的聚合字段, 是没啥关系的, 理应不能出现在此处 1:n 反而造成误解.

更严谨的写法能, 就是将这 a.s_name 也放在 s_id 后面 group by. (熟悉Excel透视表的小伙伴就很清楚啦).

select
 a.s_id as "学号",
 a.s_name as "姓名",
 count(b.c_id) as "选课数",
 sum(b.score) as "总成绩"

from student as a
left join  score as b
on a.s_id = b.s_id

group by a.s_id, a.s_name;

得到的结果是一样的.嗯, 这个操作, 我以前在用 excel 的时候, 会很频繁使用到, 透视字段这块.

+--------+-----------+-----------+-----------+
| 学号 | 姓名 | 选课数 | 总成绩 |
+--------+-----------+-----------+-----------+
| 0001 | 王二 | 3 | 269 |
| 0002 | 星落 | 2 | 140 |
| 0003 | 胡小适 | 3 | 240 |
| 0004 | 油哥 | 0 | NULL |
+--------+-----------+-----------+-----------+
4 rows in set (0.00 sec)

对于 Null 这里需要处理一下, 比较合理的方式呢, 是填充为 0. 也就是需要在 sum 那的时候, 加上一个判断

case 语法: case when then xxx else xxx end

select
 a.s_id as "学号",
 a.s_name as "姓名",
 count(b.c_id) as "选课数",
 
 sum(case when b.score is Null
     then 0
     else b.score end
    ) as "总成绩"

from student as a
left join  score as b
on a.s_id = b.s_id

group by a.s_id, a.s_name;

+--------+-----------+-----------+-----------+
| 学号   | 姓名      | 选课数    | 总成绩    |
+--------+-----------+-----------+-----------+
| 0001   | 王二      |         3 |       269 |
| 0002   | 星落      |         2 |       140 |
| 0003   | 胡小适    |         3 |       240 |
| 0004   | 油哥      |         0 |         0 |
+--------+-----------+-----------+-----------+
4 rows in set (0.07 sec)

这样 Null 的问题也解决了. 这种 case when xxx then xxx else xxx end 还是挺常用的.

case 与 if 的区别

if 是条件判断语句 不能在 查询语句中出现; case 是条件检索 可以再查询中出现

小结

• group by + having 的用法 (严谨写法是, 跟 group by 无关的字段, 不要放 select)
• left join 和 inner join 等的不同场景用法 (我感觉工作中用的最多的是 left join 更多一点)
• 深刻理解 apply -> group by -> aggregation , 不论是 sql 还是编程, 数据分析必须迈过的坎
• 字段值判断 case when xx then xxx else xxx end 的这种写法, 跟 if 的区别在于, if 用在函数, case 用在查询.