數據分析——SQL面試知識點總結
SQL是用于數據分析和數據處理的最重要的編程語言之一，因此與數據科學相關的工作（例如數據分析師、數據科學家和數據工程師）在面試時總會問到關于 SQL 的問題。
SQL面試問題旨在評估應聘者的技術和解決問題的能力。因此對于應聘者來說，關鍵在于不僅要根據樣本數據編寫出正確的查詢，而且還要像對待現實數據集一樣考慮各種場景和邊緣情況。
在這篇文章中，我將介紹 SQL 面試問題中常見的模式，并提供一些在 SQL 查詢中巧妙處理它們的技巧。
問問題
要搞定一場 SQL 面試，最重要的是盡量多問問題，獲取關于給定任務和數據樣本的所有細節。充分理解需求后，接下來你就可以節省很多迭代問題的時間，并且能很好地處理邊緣情況。
我注意到許多候選人經常還沒完全理解SQL問題或數據集，就直接開始編寫解決方案了。之后，等我指出他們解決方案中存在的問題后，他們只好反復修改查詢。最后，他們在迭代中浪費了很多面試時間，甚至可能到最后都沒有找到正確的解決方案。
我建議大家在參加SQL面試時，就當成是自己在和業務伙伴共事。所以在你提供解決方案之前，應該要針對數據請求了解清楚所有的需求。
舉例：
查找薪水最高的前 3 名員工。
樣本employee_salary表
這里你應該要求面試官說清楚“前三名”具體是什么意思。我應該在結果中包括 3 名員工嗎？你要我怎樣處理關系？此外，請仔細檢查樣本員工數據。salary 字段的數據類型是什么？在計算之前是否需要清除數據？
選哪一個join
在SQL中，JOIN 通常用來合并來自多個表的信息。
有四種不同類型的 JOIN，但在大多數情況下，我們只使用INNER、LEFT和FULLJOIN，因為 RIGHTJOIN并不是很直觀，還可以使用 LEFTJOIN 很簡單地重寫。在 SQL 面試中，需要根據給定問題的特定要求選擇你要使用的正確JOIN。
舉例：
查找每個學生參加的課程總數。（提供學生 id、姓名和選課的數量。）
樣本student和class_history表
你可能已經注意到了，并非所有出現在 class_history 表中的學生都出現在了 student 表中，這可能是因為這些學生已經畢業了。（這在事務數據庫中實際上是非常典型的情況，因為不再活躍的記錄往往會被刪除。）
根據面試官是否希望結果中包含畢業生，我們需要使用LEFT JOIN或 INNER JOIN來組合兩個表：
- WITH class_count AS (
- SELECT student_id, COUNT(*) AS num_of_class
- FROM class_history
- GROUP BY student_id
- )
- SELECT
- c.student_id,
- s.student_name,
- c.num_of_class
- FROM class_count c
- -- CASE 1: include only active students
- JOIN student s ON c.student_id = s.student_id
- -- CASE 2: include all students
- -- LEFT JOIN student s ON c.student_id = s.student_id
GROUP BY
GROUP BY是SQL中最重要的功能，因為它廣泛用于數據聚合。如果在一個 SQL 問題中看到諸如求和、平均值、最小值或最大值之類的關鍵字，這就表明你可能應該在查詢中使用GROUP BY了。
一個常見的陷阱是在GROUP BY過濾數據時混淆 WHERE和HAVING——我見過很多人犯了這個錯誤。
舉例：
計算每個學生在每個學年的必修課程平均 GPA，并找到每個學期中符合 Dean’s List（GPA≥3.5）資格的學生。
樣本gpa_history表
由于我們在GPA計算中僅考慮必修課程，因此需要使用WHERE is_required=TRUE來排除選修課程。
我們需要每位學生在每學年的平均GPA，因此我們將同時GROUP BY student_id和school_year 列，并取gpa列的平均值。最后，我們只保留學生平均 GPA高于3.5的行，可以使用HAVING來實現。合起來是下面這樣：
- SELECT
- student_id,
- school_year,
- AVG(gpa) AS avg_gpa
- FROM gpa_history
- WHERE is_required = TRUE
- GROUP BY student_id, school_year
- HAVING AVG(gpa) >= 3.5
注意：每當在查詢中使用GROUP BY時，都只能選擇group-by列和聚合列，因為其他列中的行級信息已被舍棄。
SQL 查詢執行順序
大多數人會從SELECT開始，從上到下編寫SQL查詢。
但你知道SQL引擎執行函數時要到后面才執行SELECT嗎？以下是 SQL 查詢的執行順序：
- FROM, JOIN
- WHERE
- GROUP BY
- HAVING
- SELECT
- DISTINCT
- ORDER BY
- LIMIT, OFFSET
再次考慮前面的示例：
因為我們想在計算平均GPA之前過濾掉選修課程，所以我使用WHERE is_required=TRUE代替HAVING，因為WHERE會在GROUP BY和HAVING之前執行。我不能編寫HAVING avg_gpa >= 3.5的原因是，avg_gpa被定義為SELECT的一部分，因此無法在SELECT之前執行的步驟中引用它。
我建議在編寫查詢時遵循引擎的執行順序，這在編寫復雜查詢時會很有用。
Window 函數
Window函數也經常出現在SQL面試中。共有五種常見的Window函數：
RANK/DENSE_RANK/ROW_NUMBER：它們通過排序特定列來為每行分配一個排名。如果給出了任何分區列，則行將在其所屬的分區組中排名。
LAG/LEAD：它根據指定的順序和分區組從前一行或后一行檢索列值。
在SQL面試中，重要的是要了解排名函數之間的差異，并知道何時使用LAG/LEAD。
舉例：
查找每個部門中薪水最高的前 3 名員工。
另一個示例employee_salary表
當一個SQL問題要求計算“TOP N”時，我們可以使用ORDER BY或排名函數來回答問題。
但在這個示例中，它要求計算“每個 Y 中的 TOP N X”，這強烈暗示我們應該使用排名函數，因為我們需要對每個分區組中的行進行排名。
以下查詢恰好能找到 3 名薪水最高的員工，而不論他們的關系如何，如下：
- WITH T AS (
- SELECT
- *,
- ROW_NUMBER() OVER (PARTITION BY department_id ORDER BY employee_salary DESC) AS rank_in_dep
- FROM employee_salary)
- SELECT * FROM T
- WHERE rank_in_dep <= 3
- -- Note: When using ROW_NUMBER, each row will have a unique rank number and ranks for tied records are assigned randomly. For exmaple, Rimsha and Tiah may be rank 2 or 3 in different query runs.
此外，根據關系的處理方式，我們可以選擇其他排名函數。同樣，細節是很重要的！
ROW_NUMBER,RANK,DENSE_RANK結果比較
重復項
SQL面試中的另一個常見陷阱是忽略數據重復。
盡管樣本數據中的某些列似乎具有不同的值，但面試官還是希望候選人考慮所有可能性，就像他們在處理真實數據集一樣。
例如：
在上一個示例employee_salary表中，可以讓雇員共享相同的名稱。
要避免由重復項導致的潛在問題，一種簡單方法是始終使用 ID 列唯一地標識不同的記錄。
舉例：
使用 employee_salary 表查找每個部門所有員工的總薪水。
正確的解決方案是 GROUP BY employee_id，然后使用 SUM(employee_salary) 計算總薪水。如果需要雇員姓名，請在末尾與 employee 表聯接以檢索雇員姓名信息。
錯誤的方法是使用 GROUP BY employee_name。
NULL
在SQL中，任何謂詞都可以產生三個值之一true，false和NULL，后者是unknown或missing數據值的保留關鍵字。處理NULL數據集時可能會意外地很棘手。
在SQL面試中，面試官可能會特別注意解決方案是否處理了NULL值。有時，很明顯有一列是不能nullabl的，但對于其他大多數列來說，很有可能會有NULL值。
建議：確認示例數據中的關鍵列是否為nullable，
如果可以，請利用IS(NOT)NULL，IFNULL和COALESCE 之類的函數來覆蓋這些邊緣情況。
交流
最后一點也非常重要：在SQL面試期間要隨時與面試官溝通交流。
我面試過的許多候選人都很沉默寡言，有疑問的時候才會知聲。當然如果他們最終給出了完美的解決方案，那也不是什么問題。
但是，在技術面試期間保持溝通交流往往會是有價值的。
例如：你可以談論對問題和數據的理解，說明你計劃如何解決問題，為什么使用某些函數而不是其他選項，以及正在考慮哪些極端情況。
總結
- 首先要提問，收集所需的細節
- 在INNER，LEFT和FULL JOIN之間謹慎選擇
- 使用GROUP BY聚合數據并正確使用WHERE和HAVING
- 了解三個排名函數之間的差異
- 知道何時使用LAG/LEAD窗口函數
- 如果在創建復雜的查詢時遇到困難，請嘗試遵循SQL執行順序
- 考慮潛在的數據問題，例如重復和NULL值
- 與面試官交流你的思路
