sql-queries

name	sql-queries
description	跨所有主要数据仓库方言（Snowflake、BigQuery、Databricks、PostgreSQL 等）编写正确、高性能的 SQL。在编写查询、优化慢速 SQL、在方言之间进行转换或使用 CTE、窗口函数或聚合构建复杂的分析查询时使用。
user-invocable	false

SQL 查询技巧

跨所有主要数据仓库方言编写正确、高性能、可读的 SQL。

方言特定参考

PostgreSQL（包括 Aurora、RDS、Supabase、Neon）

日期/时间：

-- 当前日期/时间
CURRENT_DATE, CURRENT_TIMESTAMP, NOW()

-- 日期运算
date_column + INTERVAL '7 days'
date_column - INTERVAL '1 month'

-- 截断到周期
DATE_TRUNC('month', created_at)

-- 提取部分
EXTRACT(YEAR FROM created_at)
EXTRACT(DOW FROM created_at)  -- 0=周日

-- 格式化
TO_CHAR(created_at, 'YYYY-MM-DD')

字符串函数：

-- 拼接
first_name || ' ' || last_name
CONCAT(first_name, ' ', last_name)

-- 模式匹配
column ILIKE '%pattern%'  -- 不区分大小写
column ~ '^regex_pattern$'  -- 正则表达式

-- 字符串操作
LEFT(str, n), RIGHT(str, n)
SPLIT_PART(str, delimiter, position)
REGEXP_REPLACE(str, pattern, replacement)

数组和 JSON：

-- JSON 访问
data->>'key'  -- 文本
data->'nested'->'key'  -- json
data#>>'{path,to,key}'  -- 嵌套文本

-- 数组操作
ARRAY_AGG(column)
ANY(array_column)
array_column @> ARRAY['value']

性能提示：

• 使用 EXPLAIN ANALYZE 分析查询
• 在频繁过滤/连接的列上创建索引
• 对相关子查询使用 EXISTS 而不是 IN
• 对常见过滤条件使用部分索引
• 使用连接池进行并发访问

---

Snowflake

日期/时间：

-- 当前日期/时间
CURRENT_DATE(), CURRENT_TIMESTAMP(), SYSDATE()

-- 日期运算
DATEADD(day, 7, date_column)
DATEDIFF(day, start_date, end_date)

-- 截断到周期
DATE_TRUNC('month', created_at)

-- 提取部分
YEAR(created_at), MONTH(created_at), DAY(created_at)
DAYOFWEEK(created_at)

-- 格式化
TO_CHAR(created_at, 'YYYY-MM-DD')

字符串函数：

-- 默认不区分大小写（取决于排序规则）
column ILIKE '%pattern%'
REGEXP_LIKE(column, 'pattern')

-- 解析 JSON
column:key::string  -- VARIANT 的点号表示法
PARSE_JSON('{"key": "value"}')
GET_PATH(variant_col, 'path.to.key')

-- 展开数组/对象
SELECT f.value FROM table, LATERAL FLATTEN(input => array_col) f

半结构化数据：

-- VARIANT 类型访问
data:customer:name::STRING
data:items[0]:price::NUMBER

-- 展开嵌套结构
SELECT
    t.id,
    item.value:name::STRING as item_name,
    item.value:qty::NUMBER as quantity
FROM my_table t,
LATERAL FLATTEN(input => t.data:items) item

性能提示：

• 在大型表上使用聚簇键（而非传统索引）
• 过滤聚簇键列以实现分区裁剪
• 针对查询复杂度设置适当的仓库大小
• 使用 RESULT_SCAN(LAST_QUERY_ID()) 避免重新运行昂贵的查询
• 使用临时表存储暂存/临时数据

---

BigQuery（Google Cloud）

日期/时间：

-- 当前日期/时间
CURRENT_DATE(), CURRENT_TIMESTAMP()

-- 日期运算
DATE_ADD(date_column, INTERVAL 7 DAY)
DATE_SUB(date_column, INTERVAL 1 MONTH)
DATE_DIFF(end_date, start_date, DAY)
TIMESTAMP_DIFF(end_ts, start_ts, HOUR)

-- 截断到周期
DATE_TRUNC(created_at, MONTH)
TIMESTAMP_TRUNC(created_at, HOUR)

-- 提取部分
EXTRACT(YEAR FROM created_at)
EXTRACT(DAYOFWEEK FROM created_at)  -- 1=周日

-- 格式化
FORMAT_DATE('%Y-%m-%d', date_column)
FORMAT_TIMESTAMP('%Y-%m-%d %H:%M:%S', ts_column)

字符串函数：

-- 没有 ILIKE，使用 LOWER()
LOWER(column) LIKE '%pattern%'
REGEXP_CONTAINS(column, r'pattern')
REGEXP_EXTRACT(column, r'pattern')

-- 字符串操作
SPLIT(str, delimiter)  -- 返回 ARRAY
ARRAY_TO_STRING(array, delimiter)

数组和结构体：

-- 数组操作
ARRAY_AGG(column)
UNNEST(array_column)
ARRAY_LENGTH(array_column)
value IN UNNEST(array_column)

-- 结构体访问
struct_column.field_name

性能提示：

• 始终过滤分区列（通常是日期）以减少扫描的字节数
• 对分区内频繁过滤的列使用聚簇
• 使用 APPROX_COUNT_DISTINCT() 进行大规模基数估计
• 避免 SELECT *——按字节扫描计费
• 对参数化脚本使用 DECLARE 和 SET
• 在执行大型查询之前通过试运行预览查询成本

---

Redshift（Amazon）

日期/时间：

-- 当前日期/时间
CURRENT_DATE, GETDATE(), SYSDATE

-- 日期运算
DATEADD(day, 7, date_column)
DATEDIFF(day, start_date, end_date)

-- 截断到周期
DATE_TRUNC('month', created_at)

-- 提取部分
EXTRACT(YEAR FROM created_at)
DATE_PART('dow', created_at)

字符串函数：

-- 不区分大小写
column ILIKE '%pattern%'
REGEXP_INSTR(column, 'pattern') > 0

-- 字符串操作
SPLIT_PART(str, delimiter, position)
LISTAGG(column, ', ') WITHIN GROUP (ORDER BY column)

性能提示：

• 为并置连接设计分配键（DISTKEY）
• 对频繁过滤的列使用排序键（SORTKEY）
• 使用 EXPLAIN 检查查询计划
• 避免跨节点数据移动（注意 DS_BCAST 和 DS_DIST）
• 定期 ANALYZE 和 VACUUM
• 使用后期绑定视图来实现模式灵活性

---

Databricks SQL

日期/时间：

-- 当前日期/时间
CURRENT_DATE(), CURRENT_TIMESTAMP()

-- 日期运算
DATE_ADD(date_column, 7)
DATEDIFF(end_date, start_date)
ADD_MONTHS(date_column, 1)

-- 截断到周期
DATE_TRUNC('MONTH', created_at)
TRUNC(date_column, 'MM')

-- 提取部分
YEAR(created_at), MONTH(created_at)
DAYOFWEEK(created_at)

Delta Lake 特性：

-- 时间旅行
SELECT * FROM my_table TIMESTAMP AS OF '2024-01-15'
SELECT * FROM my_table VERSION AS OF 42

-- 查看历史
DESCRIBE HISTORY my_table

-- 合并（upsert）
MERGE INTO target USING source
ON target.id = source.id
WHEN MATCHED THEN UPDATE SET *
WHEN NOT MATCHED THEN INSERT *

性能提示：

• 使用 Delta Lake 的 OPTIMIZE 和 ZORDER 来提高查询性能
• 利用 Photon 引擎进行计算密集型查询
• 对经常访问的数据集使用 CACHE TABLE
• 按低基数日期列分区

---

常见 SQL 模式

窗口函数

-- 排名
ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY created_at DESC)
RANK() OVER (PARTITION BY category ORDER BY revenue DESC)
DENSE_RANK() OVER (ORDER BY score DESC)

-- 累计总计 / 移动平均
SUM(revenue) OVER (ORDER BY date_col ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW) as running_total
AVG(revenue) OVER (ORDER BY date_col ROWS BETWEEN 6 PRECEDING AND CURRENT ROW) as moving_avg_7d

-- 滞后 / 领先
LAG(value, 1) OVER (PARTITION BY entity ORDER BY date_col) as prev_value
LEAD(value, 1) OVER (  entity   date_col)  next_value


(status)  (  user_id   created_at   UNBOUNDED PRECEDING  UNBOUNDED FOLLOWING)
(status)  (  user_id   created_at   UNBOUNDED PRECEDING  UNBOUNDED FOLLOWING)


revenue  (revenue)  ()  pct_of_total
revenue  (revenue)  (  category)  pct_of_category

CTE 提高可读性

WITH
-- 步骤 1：定义基础用户群
base_users AS (
    SELECT user_id, created_at, plan_type
    FROM users
    WHERE created_at >= DATE '2024-01-01'
      AND status = 'active'
),

-- 步骤 2：计算用户级别指标
user_metrics AS (
    SELECT
        u.user_id,
        u.plan_type,
        COUNT(DISTINCT e.session_id) as session_count,
        SUM(e.revenue) as total_revenue
    FROM base_users u
    LEFT JOIN events e ON u.user_id = e.user_id
    GROUP BY u.user_id, u.plan_type
),

-- 步骤 3：聚合到汇总级别
summary AS (
    SELECT
        plan_type,
        COUNT(*) as user_count,
        AVG(session_count) as avg_sessions,
        SUM(total_revenue) as total_revenue
    FROM user_metrics
    GROUP BY plan_type
)

SELECT * FROM summary ORDER BY total_revenue DESC;

群组留存

WITH cohorts AS (
    SELECT
        user_id,
        DATE_TRUNC('month', first_activity_date) as cohort_month
    FROM users
),
activity AS (
    SELECT
        user_id,
        DATE_TRUNC('month', activity_date) as activity_month
    FROM user_activity
)
SELECT
    c.cohort_month,
    COUNT(DISTINCT c.user_id) as cohort_size,
    COUNT(DISTINCT CASE
        WHEN a.activity_month = c.cohort_month THEN a.user_id
    END) as month_0,
    COUNT(DISTINCT CASE
        WHEN a.activity_month = c.cohort_month + INTERVAL '1 month' THEN a.user_id
    END) as month_1,
    COUNT(DISTINCT CASE
        WHEN a.activity_month = c.cohort_month + INTERVAL '3 months' THEN a.user_id
    END) as month_3
FROM cohorts c
LEFT JOIN activity a ON c.user_id = a.user_id
  c.cohort_month
  c.cohort_month;

漏斗分析

WITH funnel AS (
    SELECT
        user_id,
        MAX(CASE WHEN event = 'page_view' THEN 1 ELSE 0 END) as step_1_view,
        MAX(CASE WHEN event = 'signup_start' THEN 1 ELSE 0 END) as step_2_start,
        MAX(CASE WHEN event = 'signup_complete' THEN 1 ELSE 0 END) as step_3_complete,
        MAX(CASE WHEN event = 'first_purchase' THEN 1 ELSE 0 END) as step_4_purchase
    FROM events
    WHERE event_date >= CURRENT_DATE - INTERVAL '30 days'
    GROUP BY user_id
)

    ()  total_users,
    (step_1_view)  viewed,
    (step_2_start)  started_signup,
    (step_3_complete)  completed_signup,
    (step_4_purchase)  purchased,
    ROUND(  (step_2_start)  ((step_1_view), ), )  view_to_start_pct,
    ROUND(  (step_3_complete)  ((step_2_start), ), )  start_to_complete_pct,
    ROUND(  (step_4_purchase)  ((step_3_complete), ), )  complete_to_purchase_pct
 funnel;

去重

-- 保留每个键的最新记录
WITH ranked AS (
    SELECT
        *,
        ROW_NUMBER() OVER (
            PARTITION BY entity_id
            ORDER BY updated_at DESC
        ) as rn
    FROM source_table
)
SELECT * FROM ranked WHERE rn = 1;

错误处理和调试

当查询失败时：

1. 语法错误：检查特定于方言的语法（例如，ILIKE 在 BigQuery 中不可用，SAFE_DIVIDE 仅在 BigQuery 中可用）
2. 找不到列：根据架构验证列名 — 检查拼写错误、区分大小写（PostgreSQL 对带引号的标识符区分大小写）
3. 类型不匹配：比较不同类型时显式转换（CAST(col AS DATE)、col::DATE）
4. 除以零：使用 NULLIF(分母, 0) 或方言特定的安全除法
5. 不明确的列：在 JOIN 中始终使用表别名来限定列名
6. GROUP BY 错误：所有非聚合列必须位于 GROUP BY 中（BigQuery 除外，它允许按别名分组）