浅谈数据分析师的必备技能SQL

很久没写东西了，正好群里有童鞋最近要换工作，提到有关数据库方面的问题，个人认为，做数据分析的并没有必要把数据库开发之类的弄懂，你只需要从相应的数据库中调用你需要的数据即可，至于数据库设计相关的安全事务，开发之类的问题那是数据库工程师的事情，而作数据分析师的你了解SQL语言即可。当然，谁都不会嫌自己的知识多，掌握的东西越多对自己的发展当然也就越有利。

了解SQL的必要性

俗话说“巧妇难为无米之炊”，没有数据怎么分析。而SQL对于你来说就好比电脑的键盘鼠标，虽说没有了它也能照常运行，但对使用它的人来说灵活性却下降了许多。而这一点也正是许多数据分析从业者所缺少的（包括我），记得白鸦曾在他的博客中发表过数据分析师很少的言论。不管数据分析师在什么样的团队，其所起的作用都是统计和调查，数据挖掘、可行性及策略分析等类似的功能。真正的数据分析师，或者能达到企业期望要求的数据分析师为什么凤毛麟角。为什么满足企业要求的数据分析师凤毛麟角，其中一个主要的原因就是学统计的人不会数据库，而学计算机的同学不会建模分析。

SQL使得数据的采集过程变得更加方便快捷，此处的方便快捷可以从2方面得以体现，1.在分析数据时候不必再苦苦请求其他同事，自己需要什么数据自己直接去导，而不再是从别人手中接过譬如.xls或.csv之类的数据文档；2.便捷快速的清洗出自己所需要的原始数据，譬如你需要的是每个月销售额排名前20的产品相关数据，这时你就可以直接从数据库导出数据时来完成数据筛选的过程，而不是傻傻的导出所有产品销售数据再进行二次处理。关于如何利用SPSS从数据库中挑选自己所需要的数据参见Syntax代码旅途。此外，在EXCEL的多表操作中也涉及相关SQL语句，如数据透视表的应用等。

SQL查询相关小技巧

·使用AND时，将不为真的条件放在前面

数据库系统遵循运算符的优先级，并且运算过程是从左至右的，将条件不为真的放在前面，则能够省去and后面的相关运算，以达到减少数据库系统运算工作量的目的，提高工作效率。

·使用OR运算符时，则将最可能为真的条件放在前面

和上面and的原理类似，and运算符要求两边条件都为真，整个条件才为真，而or只需要一边为真，将条件为真的放在前面可使or运算符不需要检查右边的条件，从而节约时间，提高工作效率。

·distinct比group by更快

distinct和group by通常起限制结果为唯一的记录行的作用，处理此类问题时distinct往往比group by更加迅速。

·限制联合的结果

从数据库中提取的信息量越少，速度也就越快，而加适当的限制条件除了满足自身的需求之外，另外一个原因就是为了加快处理查询速度。e.g:

select var1, var2 from table1 inner join table2 on table1.id=table2.id where condition;

·对子查询使用in运算符

在子查询过程中，运用select语句往往会使数据库系统考虑更多的东西，从而降低工作效率，相比较而言，运用in运算符则可以有效的解决这个问题。e.g：下面的子查询中第1句将比第2句更加有效

select var1, var2 from table1 where var1 in (select var1 from table2 where condition);

select var1, var2 from table1 where var1=(select var1 from table2 where condition) ;

·尽量避免使用select * from

指定确定的列可以让你清楚的了解你所需要采集的变量，利用select * from不只是效率低下，更不利于你的后续分析，所以对于select * from则是能避免则尽量避免。数据分析师培训

·对整数类型列进行搜索

这类问题主要针对字符变量的查询而言，对应的字符变量如果有相应的编码对应，直接将编码设置为查询条件将比直接查询字符变量来得更加迅速。

数据采集中常用的SQL语句

相同的SQL语句运用到不同数据库中会有略微的差别，对字符变量的要求，相关函数的变化，以及语法规则的不同等等，例如：oracle数据库中对字段命名别名时不需要as 字符，没有month()，year（）等时间函数等等，access数据库中在使用inner join执行内部联合时条件需用（），当然还有很多的细微差别，大家可以自己去寻找总结。下面的示例以SQL SERVER为基础编写。

1. 抽取非重复数据

select distinct var1 from tableName;

2. 抽取某个时间段间的数据

select var1,var2 from 数据表 where 字段名 between 时间1 and 时间2;
3. 连接多个变量

select ‘123’+cast(456 as varchar);

select ‘123’+cast(456 as varchar)+’789′;

4. 用SQL语句找出表名为Table1中的处在ID字段中1-200条记录中Name字段包含w的所有记录

select * from Table1 where id between 1 and 200 and Name like ‘%w%’;

5. 找出拥有超过10名客户的地区的列表

select country from test group by country having count(customerId)>10;
6. 关于取出每个部门工资最高的前三人

select * from table t where 工资 in (select top 3 工资 from table where 部门 = t.部门 order by 工资 desc);
7. 两个结构完全相同的表a和b，主键为index，使用SQL语句，把a表中存在但在b表中不存在的数据插入的b表中

insert into b select * from a where not exists(select * from b where “index”=a.”index”);
8.从一个数据库中的多个数据表提取相关变量

Select table1.var1,table2.var2,table2.var3,

From table1 inner join table2

On tabel1.var1=table2.var1

Inner join table3

On tabel1.var2=table3.var2

(order by ……)