Групування SQL за підручником: підрахунок, сума, середнє значення та пояснення пояснень

GROUP BYПоложення є потужним , але іноді складно твердженням думати.

Навіть через вісім років, кожного разу, коли я використовую a, GROUP BYмені доводиться зупинятися і думати про те, що він насправді робить.

У цій статті ми розглянемо, як створити GROUP BYречення, що воно робить для вашого запиту та як ви можете використовувати його для агрегування та збору статистичних даних про ваші дані.

Ось що ми розглянемо:

  • Налаштування бази даних
  • Налаштування прикладних даних (створення продажів)
  • Як працює GROUP BYробота?
  • Написання GROUP BYречень
  • Скупчення ( COUNT, SUM, AVG)
  • Робота з кількома групами
  • Використання функцій у GROUP BY
  • Фільтруючі групи з HAVING
  • Агрегати з неявною групуванням

Налаштування бази даних

Перш ніж ми зможемо писати свої запити, нам потрібно налаштувати базу даних.

Для цих прикладів ми будемо використовувати PostgreSQL, але наведені тут запити та концепції легко перенесуть у будь-яку іншу сучасну систему баз даних (наприклад, MySQL, SQL Server тощо).

Для роботи з нашою базою даних PostgreSQL ми можемо використовувати psql - інтерактивну програму командного рядка PostgreSQL. Якщо у вас є інший клієнт бази даних, з яким вам подобається працювати, це теж добре.

Для початку давайте створимо нашу базу даних. Якщо PostgreSQL вже встановлено, ми можемо запустити команду createdb на нашому терміналі для створення нової бази даних. Я зателефонував своєму fcc:

$ createdb fcc 

Далі розпочнемо інтерактивну консоль за допомогою команди psqlта підключимося до бази даних, яку ми щойно створили, використовуючи \c :

$ psql psql (11.5) Type "help" for help. john=# \c fcc You are now connected to database "fcc" as user "john". fcc=# 
Примітка: У psqlцих прикладах я очистив вихідні дані, щоб полегшити його читання, тому не хвилюйтеся, якщо показаний тут результат не зовсім те, що ви бачили у своєму терміналі.

Я закликаю вас дотримуватися цих прикладів і запускати ці запити для себе. Ви дізнаєтесь і запам’ятаєте набагато більше, працюючи над цими прикладами, а не просто читаючи їх.

Налаштування даних (створення продажів)

Для наших прикладів ми використаємо таблицю, яка зберігає записи про продаж різних товарів у різних місцях магазину.

Ми назвемо цю таблицю sales, і це буде просте представлення продажів магазину: назва місця, назва товару, ціна та час його продажу.

Якби ми будували цю таблицю в реальному додатку, ми б встановили зовнішні ключі для інших таблиць (наприклад, locationsабо products). Але для ілюстрації GROUP BYпонять ми просто використаємо прості TEXTстовпці.

Давайте створимо таблицю та вставимо деякі дані про продажі:

CREATE TABLE sales( location TEXT, product TEXT, price DECIMAL, sold_at TIMESTAMP ); INSERT INTO sales(location, product, price, sold_at) VALUES ('HQ', 'Coffee', 2, NOW()), ('HQ', 'Coffee', 2, NOW() - INTERVAL '1 hour'), ('Downtown', 'Bagel', 3, NOW() - INTERVAL '2 hour'), ('Downtown', 'Coffee', 2, NOW() - INTERVAL '1 day'), ('HQ', 'Bagel', 2, NOW() - INTERVAL '2 day'), ('1st Street', 'Bagel', 3, NOW() - INTERVAL '2 day' - INTERVAL '1 hour'), ('1st Street', 'Coffee', 2, NOW() - INTERVAL '3 day'), ('HQ', 'Bagel', 3, NOW() - INTERVAL '3 day' - INTERVAL '1 hour'); 

У нас є три місця: штаб-квартира , центр міста та 1-а вулиця.

У нас є два товари, Кава та Бублик , і ми вставляємо ці продажі з різними sold_atзначеннями, щоб представити товари, що продаються в різні дні та час.

Сьогодні є деякі продажі, деякі вчора, а деякі позавчора.

Як працює GROUP BYробота?

Щоб проілюструвати, як GROUP BYпрацює пункт, спершу поговоримо на прикладі.

Уявіть, у нас була кімната, повна людей, які народилися в різних країнах.

Якби ми хотіли знайти середній зріст людей у ​​кімнаті для кожної країни, ми спочатку попросили б цих людей розділитися на групи залежно від країни народження.

Як тільки вони були розділені на свої групи, ми могли б тоді розрахувати середній зріст у цій групі.

Ось як GROUP BYпрацює пункт. Спочатку ми визначаємо, як ми хочемо згрупувати рядки разом - потім ми можемо виконувати обчислення або агрегування на групах.

Кілька груп

Ми можемо згрупувати дані у скільки завгодно груп чи підгруп.

Наприклад, попросивши людей поділитися на групи за країнами їхнього народження, ми могли б сказати кожній із цих груп країн, щоб вони поділилися далі на групи залежно від кольору очей.

Роблячи це, ми маємо групи людей на основі поєднання країни їх народження та кольору очей.

Тепер ми могли б знайти середній зріст у кожній з цих менших груп, і ми мали б більш конкретний результат: середній зріст на країну на колір очей .

GROUP BYположення часто використовуються в ситуаціях , коли ви можете використовувати цю фразу за що - то або для кожного що - то :

  • Середній зріст на країну народження
  • Загальна кількість людей для кожного поєднання кольору очей і волосся
  • Загальний обсяг продажів за товар

Написання GROUP BYречень

GROUP BYПоложення дуже легко писати, ми просто використовувати ключові слова , GROUP BYа потім вказати область (и) , який ми хочемо групі:

SELECT ... FROM sales GROUP BY location;

Цей простий запит групує наші salesдані за locationстовпцем.

Ми зробили групування - але що ми вкладаємо в своє SELECT?

Очевидна річ, яку слід вибрати - це наша - locationми групуємося за нею, щоб ми принаймні хотіли побачити назву створених нами груп:

SELECT location FROM sales GROUP BY location; 

Результат - наші три місця:

 location ------------ 1st Street HQ Downtown (3 rows) 

If we look at our raw table data (SELECT * FROM sales;), we'll see that we have four rows with a location of HQ, two rows with a location of Downtown, and two rows with a location of 1st Street:

 product | location | price | sold_at ---------+------------+-------+---------------------------- Coffee | HQ | 2 | 2020-09-01 09:42:33.085995 Coffee | HQ | 2 | 2020-09-01 08:42:33.085995 Bagel | Downtown | 3 | 2020-09-01 07:42:33.085995 Coffee | Downtown | 2 | 2020-08-31 09:42:33.085995 Bagel | HQ | 2 | 2020-08-30 09:42:33.085995 Bagel | 1st Street | 3 | 2020-08-30 08:42:33.085995 Coffee | 1st Street | 2 | 2020-08-29 09:42:33.085995 Bagel | HQ | 3 | 2020-08-29 08:42:33.085995 (8 rows) 

By grouping on the location column, our database takes these inputs rows and identifies the unique locations among them—these unique locations serve as our "groups."

But what about the other columns in our table?

If we try to select a column like product that we didn't group by...

SELECT location, product FROM sales GROUP BY location; 

...we run into this error:

ERROR: column "sales.product" must appear in the GROUP BY clause or be used in an aggregate function 

The problem here is we've taken eight rows and squished or distilled them down to three.

We can't just return the rest of the columns like normal—we had eight rows, and now we have three.

What do we do with the remaining five rows of data? Which of the eight rows' data should be displayed on these three distinct location rows?

There's not a clear and definitive answer here.

To use the rest of our table data, we also have to distill the data from these remaining columns down into our three location groups.

This means that we have to aggregate or perform a calculation to produce some kind of summary information about our remaining data.

Aggregations (COUNT, SUM, AVG)

Once we've decided how to group our data, we can then perform aggregations on the remaining columns.

These are things like counting the number of rows per group, summing a particular value across the group, or averaging information within the group.

To start, let's find the number of sales per location.

Since each record in our sales table is one sale, the number of sales per location would be the number of rows within each location group.

To do this we'll use the aggregate function COUNT() to count the number of rows within each group:

SELECT location, COUNT(*) AS number_of_sales FROM sales GROUP BY location; 

We use COUNT(*) which counts all of the input rows for a group.

(COUNT() also works with expressions, but it has slightly different behavior.)

Here's how the database executes this query:

  • FROM sales — First, retrieve all of the records from the sales table
  • GROUP BY location — Next, determine the unique location groups
  • SELECT ... — Finally, select the location name and the count of the number of rows in that group

We also give this count of rows an alias using AS number_of_sales to make the output more readable. It looks like this:

 location | number_of_sales ------------+----------------- 1st Street | 2 HQ | 4 Downtown | 2 (3 rows) 

The 1st Street location has two sales, HQ has four, and Downtown has two.

Here we can see how we've taken the remaining column data from our eight independent rows and distilled them into useful summary information for each location: the number of sales.

SUM

In a similar way, instead of counting the number of rows in a group, we could sum information within the group—like the total amount of money earned from those locations.

To do this we'll use the SUM() function:

SELECT location, SUM(price) AS total_revenue FROM sales GROUP BY location; 

Instead of counting the number of rows in each group we sum the dollar amount of each sale, and this shows us the total revenue per location:

 location | total_revenue ------------+--------------- 1st Street | 5 HQ | 9 Downtown | 5 (3 rows) 

Average (AVG)

Finding the average sale price per location just means swapping out the SUM() function for the AVG() function:

SELECT location, AVG(price) AS average_revenue_per_sale FROM sales GROUP BY location; 

Working with multiple groups

So far we've been working with just one group: location.

What if we wanted to sub-divide that group even further?

Similar to the "birth countries and eye color" scenario we started with, what if we wanted to find the number of sales per product per location?

To do this all we need to do is add the second grouping condition to our GROUP BY statement:

SELECT ... FROM sales GROUP BY location, product;

By adding a second column in our GROUP BY we further sub-divide our location groups into location groups per product.

Оскільки ми тепер також групуємося за productстовпцем, тепер ми можемо повернути його у наш SELECT!

(Я збираюся накинути деякі ORDER BYречення на ці запити, щоб полегшити читання результату.)

SELECT location, product FROM sales GROUP BY location, product ORDER BY location, product; 

Переглядаючи результати нашої нової групи, ми можемо побачити наше унікальне поєднання розташування / продукту:

 location | product ------------+--------- 1st Street | Bagel 1st Street | Coffee Downtown | Bagel Downtown | Coffee HQ | Bagel HQ | Coffee (6 rows) 

Тепер, коли у нас є свої групи, що ми хочемо робити з рештою наших даних стовпців?

Ну, ми можемо знайти кількість продажів за товар на місце, використовуючи ті самі сукупні функції, що і раніше:

SELECT location, product, COUNT(*) AS number_of_sales FROM sales GROUP BY location, product ORDER BY location, product; 
 location | product | number_of_sales ------------+---------+----------------- 1st Street | Bagel | 1 1st Street | Coffee | 1 Downtown | Bagel | 1 Downtown | Coffee | 1 HQ | Bagel | 2 HQ | Coffee | 2 (6 rows) 
Як вправа для читача ™: знайдіть загальний дохід (суму) кожного продукту на місце.

Використання функцій у GROUP BY

Далі спробуємо знайти загальну кількість продажів за день .

If we follow a similar pattern as we did with our locations and group by our sold_at column...

SELECT sold_at, COUNT(*) AS sales_per_day FROM sales GROUP BY sold_at ORDER BY sold_at; 

...we might expect to have each group be each unique day—but instead we see this:

 sold_at | sales_per_day ----------------------------+--------------- 2020-08-29 08:42:33.085995 | 1 2020-08-29 09:42:33.085995 | 1 2020-08-30 08:42:33.085995 | 1 2020-08-30 09:42:33.085995 | 1 2020-08-31 09:42:33.085995 | 1 2020-09-01 07:42:33.085995 | 1 2020-09-01 08:42:33.085995 | 1 2020-09-01 09:42:33.085995 | 1 (8 rows) 

It looks like our data isn't grouped at all—we get each row back individually.

But, our data is actually grouped! The problem is each row's sold_at is a unique value—so every row gets its own group!

The GROUP BY is working correctly, but this is not the output we want.

The culprit is the unique hour/minute/second information of the timestamp.

Each of these timestamps differ by hours, minutes, or seconds—so they are each placed in their own group.

We need to convert each of these date and time values into just a date:

  • 2020-09-01 08:42:33.085995 =>2020-09-01
  • 2020-09-01 09:42:33.085995 =>2020-09-01

Converted to a date, all of the timestamps on the same day will return the same date value—and will therefore be placed into the same group.

To do this, we'll cast the sold_at timestamp value to a date:

SELECT sold_at::DATE AS date, COUNT(*) AS sales_per_day FROM sales GROUP BY sold_at::DATE ORDER BY sold_at::DATE; 

In our GROUP BY clause we use ::DATE to truncate the timestamp portion down to the "day." This effectively chops off the hours/minutes/seconds of the timestamp and just returns the day.

In our SELECT, we also return this same expression and give it an alias to pretty up the output.

For the same reason we couldn't return product without grouping by it or performing some kind of aggregation on it, the database won't let us return just sold_at—everything in the SELECT must either be in the GROUP BY or some kind of aggregate on the resulting groups.

The result is the sales per day that we originally wanted to see:

 date | sales_per_day ------------+--------------- 2020-08-29 | 2 2020-08-30 | 2 2020-08-31 | 1 2020-09-01 | 3 (4 rows) 

Filtering groups with HAVING

Next let's look at how to filter our grouped rows.

To do this, let's try to find days where we had more than one sale.

Without grouping, we would normally filter our rows by using a WHERE clause. For example:

SELECT * FROM sales WHERE product = 'Coffee'; 

With our groups, we may want to do something like this to filter our groups based on the count of rows...

SELECT sold_at::DATE AS date, COUNT(*) AS sales_per_day FROM sales WHERE COUNT(*) > 1 -- filter the groups? GROUP BY sold_at::DATE; 

Unfortunately, this doesn't work and we receive this error:

ERROR:  aggregate functions are not allowed in WHERE

Aggregate functions are not allowed in the WHERE clause because the WHERE clause is evaluated before the GROUP BY clause—there aren't any groups yet to perform calculations on.

But, there is a type of clause that allows us to filter, perform aggregations, and it is evaluated after the GROUP BY clause: the HAVING clause.

The HAVING clause is like a WHERE clause for your groups.

To find days where we had more than one sale, we can add a HAVING clause that checks the count of rows in the group:

SELECT sold_at::DATE AS date, COUNT(*) AS sales_per_day FROM sales GROUP BY sold_at::DATE HAVING COUNT(*) > 1; 

This HAVING clause filters out any rows where the count of rows in that group is not greater than one, and we see that in our result set:

 date | sales_per_day ------------+--------------- 2020-09-01 | 3 2020-08-29 | 2 2020-08-30 | 2 (3 rows) 

Just for the sake of completeness, here's the order of execution for all parts of a SQL statement:

  • FROM — Retrieve all of the rows from the FROM table
  • JOIN — Perform any joins
  • WHERE — Filter rows
  • GROUP BY - Form groups
  • HAVING - Filter groups
  • SELECT - Select the data to return
  • ORDER BY - Order the output rows
  • LIMIT - Return a certain number of rows

Aggregates with implicit grouping

The last topic we'll look at is aggregations that can be performed without a GROUP BY—or maybe better said they have an implicitgrouping.

These aggregations are useful in scenarios where you want to find one particular aggregate from a table—like the total amount of revenue or the greatest or least value of a column.

For example, we could find the total revenue across all locations by just selecting the sum from the entire table:

SELECT SUM(price) FROM sales; 
 sum ----- 19 (1 row) 

So far we've done $19 of sales across all locations (hooray!).

Another useful thing we could query is the first or last of something.

For example, what is the date of our first sale?

To find this we just use the MIN() function:

SELECT MIN(sold_at)::DATE AS first_sale FROM sales; 
 first_sale ------------ 2020-08-29 (1 row) 

(To find the date of the last sale just substitute MAX()for MIN().)

Using MIN / MAX

While these simple queries can be useful as a standalone query, they're often parts of filters for larger queries.

For example, let's try to find the total sales for the last day that we had sales.

One way we could write that query would be like this:

SELECT SUM(price) FROM sales WHERE sold_at::DATE = '2020-09-01'; 

This query works, but we've obviously hardcoded the date of 2020-09-01.

09/01/2020 may be the last date we had a sale, but it's not always going to be that date. We need a dynamic solution.

This can be achieved by combining this query with the MAX() function in a subquery:

SELECT SUM(price) FROM sales WHERE sold_at::DATE = ( SELECT MAX(sold_at::DATE) FROM sales ); 

In our WHERE clause we find the largest date in our table using a subquery: SELECT MAX(sold_at::DATE) FROM sales.

Then, we use this max date as the value we filter the table on, and sum the price of each sale.

Implicit grouping

I say that these are implicit groupings because if we try to select an aggregate value with a non-aggregated column like this...

SELECT SUM(price), location FROM sales; 

...we get our familiar error:

ERROR: column "sales.location" must appear in the GROUP BY clause or be used in an aggregate function 

GROUP BY is a tool

As with many other topics in software development, GROUP BY is a tool.

There are many ways to write and re-write these queries using combinations of GROUP BY, aggregate functions, or other tools like DISTINCT, ORDER BY, and LIMIT.

Understanding and working with GROUP BY's will take a little bit of practice, but once you have it down you'll find an entirely new batch of problems are now solvable to you!

If you liked this post, you can follow me on twitter where I talk about database things and how to succeed in a career as a developer.

Thanks for reading!

John