SQL 基础

本章目标：零基础也能看懂表结构，用 SELECT、WHERE、ORDER BY、LIMIT 精确取数，并理解 NULL 和空值的区别。 前置知识：会打开命令行、运行 Python 脚本；不需要学过数据库。 预计用时：60 分钟。

1. 为什么需要它

数据开发每天面对的不是 Excel，而是几十万行的表。你要回答的问题通常很具体：上个月有多少订单被取消？哪些评价 ID 重复了？最近一周每天的销售额是多少？

这些问题的共同点是：数据太多，不可能靠眼睛看。你需要一种语言，把"我要什么"描述清楚，让数据库去执行。这种语言就是 SQL（Structured Query Language，结构化查询语言）。

SQL 是声明式语言：你只描述结果，不描述步骤。比如"取已取消的订单，按下单时间倒序，只要前 10 条"，你写四行 SQL，数据库自己决定先扫哪张表、用不用索引。

数据开发、数据分析、数仓、ETL、报表，几乎所有岗位的第一道面试题都是 SQL。它不是选修课，是工作语言。

本章和后面几章的 SQL 章节只讲语法和刷题，用的是一组几十行的玩具表 demo_*，不涉及电商项目数据。真实数据、完整数仓和业务指标，全部留到项目实战。

2. 核心概念

2.1 数据库、表、行、列

关系型数据库把数据放在表（table）里。一张表就是一张二维表：

• 列（column）：字段，比如 city。同一列的数据类型一致。
• 行（row）：一条记录，比如一个客户。
• 主键（primary key）：能唯一标识一行的字段，比如 customer_id。主键不能重复，也不能为空。

关系型数据库的意思是：多张表可以通过共同的字段关联，而不是把所有信息塞进一张大表。第 03 章会专门讲关联。

2.2 配套的九张玩具表

为了让示例结果可核对，本章准备了一组小表，每张只有几行到二十行：

表关系可以先用一张图记住：

demo_customers 1--N demo_orders 1--N demo_order_items N--1 demo_products

                         |
                         +--N demo_payments
                         +--N demo_reviews

demo_departments 1--N demo_employees
demo_employees 1--N demo_employees（manager_id 自关联）

一个客户可以下多个订单，一个订单可以有多行明细，一行明细对应一个商品。注意 demo_payments 和 demo_reviews 对订单也是一对多：一个订单可能分多笔支付、有多条评价，直接 JOIN 明细会让金额和评分翻倍，第 03 章会讲怎么避免。

2.2.1 怎么把示例跑起来

玩具库由脚本生成，不需要下载任何数据：

python scripts/make_sql_demo_db.py
duckdb project/sql_demo.duckdb

没有安装 DuckDB 命令行也可以直接用 Python：

python - <<'PY'
import duckdb
con = duckdb.connect('project/sql_demo.duckdb', read_only=True)
print(con.sql("SELECT * FROM demo_orders LIMIT 5").df())
PY

把示例 SQL 粘进去回车即可。方言是 DuckDB，date_trunc、FILTER、窗口函数都能用；Hive/Spark/MySQL 专属写法会单独标注差异。

2.3 一条 SQL 的骨架

本章只用到下面几个关键字：

SELECT   要哪些列
FROM     从哪张表
WHERE    保留哪些行
ORDER BY 按什么排序
LIMIT    只要前几行

书写顺序是 SELECT → FROM → WHERE → ORDER BY → LIMIT，但执行顺序是 FROM → WHERE → SELECT → ORDER BY → LIMIT。先找到表，再筛行，再决定输出哪些列，最后排序和截断。所以 WHERE 里不能用 SELECT 刚起的别名，那时别名还不存在；ORDER BY 里可以，因为它执行得更晚。

2.4 数据类型与 NULL

NULL 不是 0，也不是空字符串。它表示未知、缺失、没有值。后文会单独讲它，因为它是 SQL 里最容易出错的地方。

3. 动手示例

3.1 先看表结构

python scripts/make_sql_demo_db.py

然后用 DuckDB 打开 project/sql_demo.duckdb。写查询前先 DESCRIBE：

DESCRIBE demo_orders;

字段名拼错是最常见的报错原因，先看一眼能省很多时间。

3.2 SELECT * 与选列

-- 所有列，只要前 5 行
SELECT * FROM demo_orders LIMIT 5;

-- 只要订单号、状态、下单时间
SELECT order_id, status, created_at FROM demo_orders LIMIT 5;

* 表示所有列。练习时用它快速看数据没问题，但工作中要只选需要的列，原因见本章面试延伸。

3.3 别名与表达式

SELECT order_id AS 订单号,
       quantity * unit_price AS 明细金额
FROM demo_order_items
LIMIT 5;

AS 起列别名，让结果更好读。quantity * unit_price 是表达式，只影响查询结果，不会修改原表；支持 +、-、*、/、%。别名可以在 ORDER BY 里直接使用，例如 ORDER BY 明细金额 DESC。

3.4 DISTINCT：去重

SELECT DISTINCT status FROM demo_orders ORDER BY status;

结果有 3 行：canceled、paid、refunded。

注意：DISTINCT 作用于整行。SELECT DISTINCT city, customer_name 是"城市和姓名的组合不重复"，不是"城市不重复"。

3.5 WHERE：过滤行

WHERE 后面跟一个条件，只有结果为 TRUE 的行才会保留。

比较运算：

SELECT order_id, status
FROM demo_orders
WHERE status = 'canceled';

结果只有 1007。= 是等于，<> 或 != 是不等于。字符串要用单引号，数据值区分大小写：写 'Canceled' 一条也查不到。

区间 BETWEEN：

SELECT COUNT(*) AS 三月订单数
FROM demo_orders
WHERE created_at BETWEEN TIMESTAMP '2024-03-01 00:00:00'
                     AND TIMESTAMP '2024-03-31 23:59:59';

BETWEEN a AND b 等价于 >= a AND <= b，两头都包含。结果是 8。

组合条件 AND / OR / NOT：

-- 三月里，取消或退款的订单
SELECT COUNT(*)
FROM demo_orders
WHERE (status = 'canceled' OR status = 'refunded')
  AND created_at BETWEEN TIMESTAMP '2024-03-01 00:00:00'
                     AND TIMESTAMP '2024-03-31 23:59:59';

结果是 2（1005 退款、1007 取消）。AND 的优先级高于 OR，不加括号会变成"所有取消订单，加上三月的退款订单"，含义完全不同。

多选一 IN：WHERE status IN ('canceled', 'refunded') 等价于两个 OR 的简写，全量结果是 2。

取反 NOT：WHERE NOT status = 'paid' 会把条件翻转；这种场景通常直接写 <> 更清楚，但遇到 NOT IN、NOT LIKE 时要留意 NULL。

模糊匹配 LIKE：

SELECT customer_id, customer_name, city
FROM demo_customers
WHERE city LIKE '%京%'
ORDER BY customer_id;

% 代表任意多个字符，_ 代表恰好一个字符。结果是 3 位北京客户（1、3、7）。

判空 IS NULL：

SELECT COUNT(*) AS 没有推荐人的客户
FROM demo_customers
WHERE referrer_id IS NULL;

结果 3（客户 1、5、7 不是被推荐来的）。空值不一定是脏数据：这里"没有推荐人"就是正常业务含义。

3.6 ORDER BY 与 LIMIT

SELECT order_id, created_at
FROM demo_orders
ORDER BY created_at DESC
LIMIT 5;

• ASC 升序，是默认值，可以不写；DESC 是降序。
• 多列排序：ORDER BY status ASC, created_at DESC，先按状态，再按时间。
• LIMIT 5 取前 5 行。

注意：只想看"前 5 条"时，ORDER BY 和 LIMIT 要一起写。没有排序的 LIMIT 只保证"随便给你 5 行"。

3.7 NULL 的三值逻辑

SQL 的条件不只有真、假，还有第三种结果：未知（NULL）。TRUE AND NULL 是 NULL，FALSE AND NULL 是 FALSE，NOT NULL 是 NULL，NULL = NULL 也是 NULL。

WHERE 只保留结果为 TRUE 的行，结果为 NULL 的行会被丢弃。于是有了两个经典坑。

坑一：= NULL 永远查不到数据。

-- 错误写法：结果是 0 行
SELECT COUNT(*) FROM demo_customers WHERE referrer_id = NULL;

-- 正确写法：结果 3
SELECT COUNT(*) FROM demo_customers WHERE referrer_id IS NULL;

NULL 表示"不知道"。"不知道"等于"不知道"吗？SQL 的答案是"不知道"，不是"相等"。

坑二：NOT IN 的列表里如果有 NULL，整个条件会失效。

-- 想找"推荐人不是 1 号"的客户，结果却是 0 行
SELECT COUNT(*) FROM demo_customers WHERE referrer_id NOT IN (1, NULL);

因为 referrer_id NOT IN (1, NULL) 会展开成 referrer_id <> 1 AND referrer_id <> NULL，后半句永远是 NULL。稳妥写法是用 NOT EXISTS，第 04 章会讲。

3.8 用 SQL 做数据探查

数据开发的第一项工作不是写报表，而是先看数据长什么样。下面几个查询就是常见的体检动作。

1. 一个订单有多条评价

SELECT order_id, COUNT(*) AS 评价条数
FROM demo_reviews
GROUP BY order_id
HAVING COUNT(*) > 1;

只有订单 1002 出现 2 条评价。这里提前用了 GROUP BY，下一章会系统讲。清洗时先把评价聚合到订单粒度，再 JOIN 订单，否则评分会被重复计算。

2. 已取消但仍有支付

SELECT o.order_id, p.amount
FROM demo_orders o
JOIN demo_payments p ON p.order_id = o.order_id
WHERE o.status = 'canceled';

订单 1007 已取消，却有一笔 89 元的支付。这类记录通常先告警，不直接删除。

3. 支付金额与明细金额对不上

SELECT *
FROM (
    SELECT o.order_id,
           (SELECT ROUND(SUM(quantity * unit_price), 2)
            FROM demo_order_items i WHERE i.order_id = o.order_id) AS item_amount,
           (SELECT ROUND(SUM(amount), 2)
            FROM demo_payments p WHERE p.order_id = o.order_id) AS pay_amount
    FROM demo_orders o
) t
WHERE item_amount IS NOT NULL
  AND ABS(item_amount - pay_amount) > 0.01;

订单 1002 明细 258.00、支付 257.90，差 0.10。

4. 员工没有上级

SELECT emp_id, emp_name
FROM demo_employees
WHERE manager_id IS NULL;

结果是 3 位部门负责人。NULL 在这里同样有明确业务含义。

提示：能区分"业务空值"和"脏数据"，是数据开发的基本功。判断标准不是字段是否为空，而是状态和事实是否矛盾。

4. 常见坑

1. 字符串用了双引号。"paid" 在 SQL 里是列名，会报找不到列。字符串一律单引号。
2. 用 = NULL 判空。永远匹配不到，必须用 IS NULL / IS NOT NULL。
3. OR 不加括号。AND 优先级更高，条件含义会悄悄改变。
4. 以为 BETWEEN 不包含边界。它是闭区间，两头都包含。
5. NOT IN 遇到 NULL。列表里有 NULL 时，结果可能为空；优先考虑 NOT EXISTS。
6. LIMIT 不配 ORDER BY。返回顺序不稳定，换一次执行可能换一批数据。
7. 字段名拼错。先 DESCRIBE 表名; 看真实字段，不要凭印象写。

5. 在线练习

SQL 题不在本地贴答案。按顺序在力扣完成，提交通过后再对照下面的自测点。

自测：

• 能用 WHERE、ORDER BY、LIMIT 组合取数。
• 能区分 = NULL 和 IS NULL。
• 能用 NOT IN 找出“没有关联记录”的行。

6. 面试延伸

面试题：SQL 的书写顺序和执行顺序为什么不一样？

是什么：书写顺序是 SELECT → FROM → WHERE → ORDER BY → LIMIT，逻辑执行顺序是 FROM → WHERE → SELECT → ORDER BY → LIMIT。数据库要先知道数据来自哪张表，才能筛行，筛完才知道输出哪些列。

解决什么问题：理解执行顺序，才能解释"为什么 WHERE 里不能用 SELECT 的别名，而 ORDER BY 可以"。前者执行时别名还没产生，后者已经产生。

我的实操边界：平时按书写顺序写，排查问题时按执行顺序想；聚合和窗口阶段会在后续章节补充。

面试题：为什么工作中不建议写 SELECT *？

是什么：SELECT * 会返回表里的所有列，而不是你真正需要的列。

解决什么问题：只选需要的列能减少 IO 和内存；表结构变化时，下游结果不会因为多出几列而错位；列名写清楚，代码也更容易维护。

我的实操边界：练习和临时看数据时会用 *，写正式查询、ETL 和报表时会显式列出字段。

面试题：= NULL 为什么查不到数据？

是什么：NULL 代表未知，任何与它比较的结果都是 NULL，而 WHERE 只保留结果为 TRUE 的行。

解决什么问题：判空必须用 IS NULL / IS NOT NULL。同理，NOT IN 的子查询结果里如果有 NULL，整个条件可能失效，此时应改用 NOT EXISTS。

我的实操边界：数据探查时用 IS NULL 统计空值；写关联前会确认字段是否允许为空，避免把业务空值误当脏数据。

7. 本章验收

• 能用自己的话解释表、行、列、主键，以及玩具库里九张表各存什么。
• 能用 make_sql_demo_db.py 生成玩具库，并用 DESCRIBE 查到字段名。
• 能独立写出包含 WHERE、ORDER BY、LIMIT 的查询，并说清执行顺序。
• 能正确使用 BETWEEN、AND/OR、IN、LIKE、IS NULL。
• 能解释 = NULL 为什么查不到数据，并知道 NOT IN 的 NULL 陷阱。
• 能查出订单 1002 的两条评价、订单 1007 的取消后支付、订单 1002 的 0.10 金额差。

下一章

聚合与分组：从"查行"升级到"算指标"，用 COUNT、SUM、GROUP BY 算出月度销售额、品类占比和客单价。