初学数据科学常犯的三个SQL错误

在之前的文章中，我们曾经讨论过一些帮助你提升数据分析工作能力的SQL技巧。今天，我想换一个角度，讨论一下初学数据科学常犯的3个SQL错误。要先了解这些错误，才能有效避免，才能写出性能最高的SQL查询语句，这对每个数据科学家/分析师至关重要。如果你想了解更多数据分析相关内容，可以阅读以下这些文章：
如何在Pandas里写SQL查询语句？
数据科学家面试必须掌握的十个SQL概念
SQL面试常考题有哪些？

提到SQL错误，主要有两种类型。第一种类型称为语法错误 (Syntax Errors)，顾名思义，是指SQL语句不符合编程规则。SQL平台会显示存在错误，并停止运行程序。对于语法错误，我们无法通过谷歌搜索或Stack Overflow来解决！

另一类错误是逻辑错误 (Logic Errors)，这是最难发现的。虽然代码看起来正确，并且可以成功运行，但是它在做错误的事。今天这篇文章要讲的也就是SQL中的逻辑错误，它们不会触发任何错误消息，但会让你的分析结果严重脱离预期目标。

我们会使用以下玩具相关的数据表来进行示范：

这是来自一个网站的数据集，用于追踪用户的登录信息。它包含用户ID、用户名、登录日期和登录位置，然后按照时间顺序对于每一个用户排序。出于演示目的，所有代码都会在MS SQL Server 2017中实现。

错误＃1：误用IN来匹配多个条件

IN可用于检查一个特定的值是否与列表中的任何值匹配。它是多个OR条件的精简版本。尽管简单明了，但有时IN会被误用于实际为AND条件的问题。

我们的第一个任务是找到既在NYC又在Illinois登陆过的用户。一些分析师会立即写下以下查询语句：

输出结果：

IN的输出

这个结果是不对的，因为我们不应该看到ID 0180 /User DEF，该用户仅在NYC登陆过一次，并没有在伊利诺伊州登录过。

如何避免这个错误？

实际上，仅使用IN来简化这个问题是不对的，因为这个问题的条件逻辑是AND（即NYC登录和 Illinois登录名）而不是OR。可以采取以下措施解决这个错误：

首先，用一个计数器（即使用SUM，每经过一行，SUM递增1）来单独检查每个条件；然后，选择出两个计数器都大于0的情况。这样，我们就能够实现AND的条件逻辑，确保得到既在NYC又在Illinois登陆过的用户：

错误＃2：OR和AND逻辑使用不当

当要使用多个OR和AND时，缺少逻辑顺序会改变应有的结果。让我们看一下下面这个查询语句：

我们的任务是获得（1）在NYC发生；并且（2）在2018年发生或者总的Num_Var≥1000的用户登录。下面是输出结果：

为什么这里会有一条Illinois的登陆记录（它违反了第一个条件，在NYC发生）？这是因为它符合Num_Var≥1000！

OR和AND的使用是要讲究顺序的；因此，上面的WHERE子句实际上标识了（1）在NYC并且在2018年发生；或者（2）总的Num_Var≥1000的所有用户登录。这显然不是我们的任务要求的。

如何避免这个错误？

我们可以用括号来修正这个错误：

这样就对了：

错误＃3：无法考虑NULL值

最后，我们来探讨一下单个用户的案例，例如ID 0155 /User ABC。我们要计算这个用户的California登录和非-California登录：

查询结果：

同样，结果有些奇怪——California登录次数和非-California登录次数加起来与总登录次数并不相等！在检查原始数据表时，我们注意到ID 0155缺少一个值（编码为NULL）。

如何避免这个错误？

将NULL与实际值进行比较将返回缺失的值，缺失的值既不是= ‘California’也不是<> ‘California’。因此，我们还需要一个CASE WHEN：

结果符合预期：

使用CASE WHEN NULL得到的输出结果

结论

在数据分析工作中，避免出现上述3种SQL错误，才能写出更可靠、更有效的代码。希望这篇文章对你有用。感谢你的阅读！你还可以订阅我们的YouTube频道，观看大量数据科学相关公开课：https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ；在LinkedIn上关注我们，扩展你的人际网络！https://www.linkedin.com/company/dataapplab/

原文作者：Yi Li
翻译作者：Haoran Qiu
美工编辑：过儿
校对审稿：Jiawei Tong
原文链接：https://towardsdatascience.com/3-common-sql-errors-to-spot-an-inexperienced-data-scientist-310b3e98842f