本文是《如何七周成為數據分析師》的第十篇教程，如果想要了解寫作初衷，可以先行閱讀七周指南。溫馨提示：如果您已經熟悉數據庫，大可不必再看這篇文章，或只挑選部分。

在《寫給新人的數據庫指南》，我們已經成功的安裝數據庫，并且導入數據，今天進入SQL實戰練習。SQL是數據庫的查詢語言，語法結構簡單，相信本文會讓你從入門到熟練。

掌握SQL后，不論你是產品經理、運營人員或者數據分析師，都會讓你分析的能力邊界無限拓展。別猶豫了，趕快上車吧!

以下的語句都在SequelPro的Query頁面運行，其他操作頁面不會有太大差異。標點符號必須為英文，這是新人很容易犯的錯誤。

SQL最小化的查詢結構如下：

select column from table 

table是我們的表名，column是我們想要查詢的字段/列，column可以用 * 代替，指代全部字段，意為從table表查詢所有數據。

where 是基礎查詢語法，用于條件判斷。

select * from DataAnalyst 
 
where city = '上海'  

 

 

 

上圖是最簡化的查詢語句，將所有城市為上海的職位數據過濾出來。我們也可以用 and 進行多條件判斷。

select * from DataAnalyst 
 
where city = '上海' and positionName = '數據分析師'  

or 語句則是或的關系

select * from DataAnalyst 
 
where city = '上海' or positionName = '數據分析師'  

查找城市為上海，或者職位名稱是數據分析師的數據，它們是并集。

當我們涉及到非常復雜的與或邏輯判斷，應該怎么辦?比如即滿足條件AB，又要滿足條件C，或者是滿足條件DE。此時需要用括號明確邏輯判斷的優先級。

select * from DataAnalyst 
 
where (city = '上海' and positionName = '數據分析師') or (city = '北京' and positionName = '數據產品經理')  

這條語句的含義是查找出上海的數據分析師或者是北京的產品經理。當有括號時，會優先進行括號內的判斷，當有多個括號時，對最內層括號先進行判斷，然后依次往外。

接下來的問題來了，當我們要查詢多個條件，比如北京上海廣州深圳南京這些城市，難道一個個用and關聯起來?這太麻煩了，我們可以使用 in 。

select * from DataAnalyst 
 
where city in ('北京','上海','廣州','深圳','南京')  

當我們遇到字段數據類型是數值時，也可以使用符號> 、>=、< 、<=、!= 進行邏輯判斷，!= 指的是不等于，等價于 <> 。

select * from DataAnalyst 
 
where companyId >= 10000  

上例是篩選出公司ID >= 10000的職位，為數值時，不需要像字符串一樣加引號。

當我們需要取區間數值時，使用 between and

select * from DataAnalyst 
 
where companyId between 10000 and 20000  

between and 包括數值兩端的邊界，等同于 companyId >=10000 and companyId <= 20000。

如果要模糊查找，能用like。

select * from DataAnalyst 
 
where positionName like '%數據分析%'  

語句的含義是在positionName列查找包含「數據分析」字段的數據，%代表的是通配符，含義是無所謂「數據分析」前面后面是什么內容。如果是 '數據分析%' ，則代表字段必須以數據分析開頭，無所謂后面是什么。

除了上面所講，還有一個常用的語法是not，代表邏輯的逆轉，常見not in、not like、not null等。

接下來我們學習group by，它是數據分析中常見的語法，目的是將數據按組/維度劃分。類似于Excel中的數據透視表，我們以city為例。

select * from DataAnalyst 
 
group by city   

 

 

 

它將城市劃分成幾組，通過group by 可以快速的瀏覽數據有哪些城市。我們看一下它的高階用法。

select city,count(1) from DataAnalyst 
 
group by city 

 

 

 

上述語句，使用count函數，統計計數了每個城市擁有的職位數量。括號里面的1代表以第一列為計數標準。這里出現新的問題，當我們遇到重復數據怎么辦?在DataAnalyst 這張表中，北京職位包含重復的職位ID，我們需要去重。

select city,count(distinct positionId) from DataAnalyst 
 
group by city  

 

 

 

北京的數據一下子少了2000，多余的重復值被排除在外。distinct 是去重函數，distinct positionId 會只計算唯一的positionId個數。日常工作中，活躍用戶數、文章UV，都是用distinct 計算獲得，這是唯一標示符ID的重要作用。

除了count，還有max，min，sum，avg等函數，也叫做聚合函數。用法和Excel沒什么區別。

當我們在group by 添加多個字段，它將以多維的形式進行數據聚合。

select city,workYear,count(distinct positionId) from DataAnalyst 
 
group by city,workYear   

 

 

 

這就是數據分析師常用的多維分析法，通過group by 切分不同的維度進行對比，在不利用BI的情況下，通過SQL進行快速數據分析。

接下來學習邏輯判斷，SQL也有if函數，和Excel的用法一摸一樣，通過它我們能進行復雜的運算。比如我想統計各個城市中有多少數據分析職位，其中，電商領域的職位有多少，在其中的占比?

industryField是公司的行業領域，雖然我們能用where like 計算出有幾個電商的數據分析師，但是占比的計算會比較麻煩，此時可以用if。

select if(industryField like '%電子商務%',1,0) from DataAnalyst  

 

 

 

上面的公式利用if判斷出哪些是電商行業的數據分析師，哪些不是。if函數中間的字段代表為true時返回的值，不過因為包含重復數據，我們需要將其改成positionId。之后，用它與group by 組合就能達成目的了。

select city, 
 
count(distinct positionId), 
 
count(if(industryField like '%電子商務%',positionId,null)) 
 
from DataAnalyst 
 
group by city  

 

 

 

第一列數字是職位總數，第二列是電商領域的職位數，相除就是占比。記住，count是不論0還是1都會納入計數，所以第三個參數需要寫成null，代表不是電商的職位就排除在計算之外。

接下來是新的問題，如果我想找出各個城市，數據分析師崗位數量在500以上的城市有哪些，應該怎么計算?有兩種方法，第一種，是使用having語句，它對聚合后的數據結果進行過濾。

select city,count(distinct positionId) from DataAnalyst 
 
group by city having count(distinct positionId) >= 500   

 

 

 第二種，是利用嵌套子查詢。 

 

 

 

我們將第一次查詢獲得的城市職位數的結果，看作一張新的表，利用as 將它命名為t1( table1 的簡寫)，將職位數命名為一個新的字段counts。然后外面再套一層select 過濾出counts >=500。

這種查詢方式就叫嵌套子查詢，使用場景比較廣泛，where 后面也能跟子查詢。

很多時候，數據是凌亂的，我們希望結果能夠呈現一定的順序，這時候就用到order by語句。

select city,count(distinct positionId) as counts from DataAnalyst 
 
group by city 
 
order by counts  

 

 

 

看，數據就按照統計結果升序排列，如果需要降序，則是order by counts desc，后面加一個desc就好了。如果是多個字段，按逗號分隔即可。

我們再來熟悉SQL的常用函數，首先是時間。因為我們的練習數據中沒有時間，首先用now創建出一個時間字段。

select now() 

直接執行它，就能獲得當前的系統時間，精確到秒。其實select不一定后面要跟from。

select date(now()) 

它代表的是獲得當前日期，week函數獲得當前第幾周，month函數獲得當前第幾個月。其余還包括，quarter，year，day，hour，minute。

時間函數也包含各種參數，比如week，因為中西方計算第幾天是不一樣的，西方把周日算作一周中的第一天，而我們習慣周一。

select week(now(),0) 

除了以上的日期表達，也可以使用dayofyear、weekofyear 的形式計算。它和上面的部分函數等價。

怎么對時間進行加減法呢?這時候靠date_add函數出馬。

select date_add(date(now()) ,interval 1 day)  

 

 

 

我們可以改變1為負數，達到減法的目的，也能更改day為week、year等，進行其他時間間隔的運算。如果是求兩個時間的間隔，則是datediff(date1,date2)或者timediff(time1,time2)。

時間函數的運用比較靈活，沒有特殊限定，網絡上的文檔和教程也不少，可以深入學習。

最后是數據清洗類的函數。

select left(salary,1) from DataAnalyst 

MySQL支持left、right、mid等函數，這里又和Excel一樣。我們通過salary計算數據分析師的工資吧(這一步驟，在曾經的文章中已經用Excel和BI多次講解，所以我就不多贅述了，只講過程，不熟悉的同學可以看歷史內容)。

首先利用locate函數查找第一個k所在的位置。

select locate("k",salary),salary from DataAnalyst 

 

 

然后使用left函數截取薪水的下限。

select left(salary,locate("k",salary)-1),salary from DataAnalyst  

 

 

 

為了獲得薪水的上限，要用substr函數，或者mid，兩者等價。

substr(字符串，從哪里開始截，截取的長度) 

薪水上限的開始位置是「-」位置往后推一位。截取長度是整個字符串減去「-」所在位置，剛好是后半段我們需要的內容，不過這個內容是包含「K」的，所以最后結果還得再減去1。 

 

 

 

這里不了解不要緊，可以將計算過程分步驟運行。基本上，了解了上面寫法的含義，文本清洗這塊就沒有問題了(not like用來清洗亂七八糟的薪水，我簡單處理了)。再然后計算不同城市不同工作年限的平均薪資。 

 

 

 

上面語句，我們用了文本清洗、子查詢嵌套、分組聚合、排序等多種用法，屬于較復雜的查詢。重復數據的問題，因為我是復制了一份北京數據，數量剛好乘二，對平均數沒有影響，感興趣的朋友可以再加一步清洗掉它。

下面是三道思考題：

查詢出哪家公司招聘的崗位數最多;

查詢出O2O、電子商務、互聯網金融這三個行業，哪個行業的平均薪資最高;

查詢出各城市的最高薪水Top3是哪家公司哪個崗位。

做完上面的題目，你已經神功初成，數據分析的SQL意見沒有大問題了。更復雜的查詢，也無非是嵌套更多的內容，本質思路是一樣的。

講到這里，只剩join語法還沒有教大家。因為練習數據只有一張表，而join又是SQL中比較容易混淆的難點，我會單獨開一篇內容講解，到時候使用SQLZoo和LeetCode的案例。

LeetCode是知名的算法競賽網站，可以在上面和全世界的程序員比拼算法，當然我們只練習SQL，完成后，至少能秒殺全世界50%的程序員吧。