四条SQL准则：提升你的数据科学技能

毫无疑问，具备编写SQL的能力是在任何数据科学领域获得成功的必要条件。目前没有任何证据表明这种情况会发生变化，所以，掌握SQL技能是一项非常值得的投资。

无论你是想找数据科学领域的第一份工作，还是要在下一轮就业市场中提高自己的SQL技能，或者是想要提高自己的职业水平，以下有四个原则，可以帮助你在这些方面取得成功。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：
SQL查询语句应该避免的五个错误
初学数据科学常犯的三个SQL错误
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

那我们直接开始吧。

01 确定正确的粒度（the Right Grain）

这里提到的“粒度（Grain）”是什么意思呢?

SQL查询的粒度，其实就是你想要输出的数据集的聚合级别。

假如你正在找一个汇总日常用户操作的数据集，那么你的“粒度（Grain）”就可以描述为“用户日级别（the user-day level）”(即，每一行代表每个用户每天执行一次操作)。

提前考虑到这点是很好的，主要有以下两个原因：

首先，它能帮助你规划你的查询结构。

当你步入数据科学工作市场时，这一点就显得尤为重要。因为在此过程中，通常要求应聘者对SQL进行实时编写。所以，在开始查询之前构造一个思想框架，能够帮助你更清晰、有效地找到答案，进而给面试官留下深刻的印象。

其次，它能帮助你识别到代码中的错误。

通常，你会对自己编写的sql查询的返回行数有一定的了解。比如，假设我计划的粒度在“用户”级别，而且我还知道我们有大约1,000个用户。当我的查询返回结果中有一个100,000行的数据集时，我就能立刻知道查询中存在一个或多个join的问题。

02 格式很重要

SQL是一种语言，所以我们用SQL建立的查询就是在讲述一个故事。我们要把它写成在未来，自己和同事们都可以轻松阅读的故事。一些快速检查的查询是不需要太在意格式的，但是任何有可能被其他人或者将来的自己读到的查询，都应遵循统一的格式。下面是一个简单但格式很好的查询例子。

以下是一些我深思熟虑后选择的格式：

• 所有关键字都大写（CAPS）
• 新行上的关键字全部右对齐，后续的表达左对齐
• 每个表格都有一个简单又有意义的别名
• 在GROUP BY和ORDER BY子句中使用那个列的数。

我知道有些人会觉得这很“偷懒”，但不得不说，这会节约很多成本，速度很快，而且还可以通过列的别名进行干净的group by。比如，如果我想在GROUP BY子句中使用列名，就必须执行以下操作（大部分情况下这是正确的，某些数据库在GROUP BY中允许使用别名）。

关于SQL格式的观点有很多，但我认为不一定非要分出胜负。你只需要选择其中一个，然后保持一致即可。

03 使用CTE，而不是子查询（Subquery）

公用表表达式（CTE或Common Table Expressions）是一个临时的数据集，可以在后续的查询中的SQL语句中引用。让我用一个例子来说明CTE，下面的查询找到了从第一笔订单到100,000美元的订单发展最快的销售代表。

让我们来分解一下这个查询的各个部分：

• 首先，你会注意到关键字WITH。使用CTE的所有查询必须在第一个CTE之前包含这个语句。
• first_order_day是我们的第一个CTE。它定义了一个数据集，用于查找销售代表完成订单的第一天。First_order_day还可以在后续表达式中被引用，就像在数据库中引用任何其他表格一样。
• 接下来，我们来定义另一个CTE，running_order_value。它可以用来计算每个销售代表的连续销售总额。
• 最后，我们用两个CTE来返回对应最短time_to_goal的行。

用子查询编写的查询还可以用CTE写，我更建议你这样做，因为这对你的同事还有未来的自己而言，既简洁明了又很容易遵循。而且，我们还可以使用子查询来查看上面的查询。这听起来很颠覆之前的认知，对吧？

总之，通过CTE，在达到相同结果下，还能够提高整体的可读性与逻辑流程。

04 用代码的注释讲故事

虽然说，SQL现在也被看做软件工程中的一种编程语言，但它为什么不像其他语言(比如python)那样，按照标准做法去注释呢？我认为，这很大程度上取决于人们学习SQL的方式。虽然在软件工程中，大多数编程语言在教学过程都会强调这个做法，但在教SQL时，往往是事后才会想到的格式。因为，通常我们只把它当作达到目的的一种手段(即数据集→分析)。

但是，我们在SQL查询分析中做出的一些关键的决定，都取决于我们自己、我们的利益相关者、以及那些审看我们代码（通过注释理解我们意图）的人。

特别是在更为复杂的查询中，注释对于透彻的分析非常有用。

在未来，注释也可以帮助你和查看你代码的人了解你的原始意图。

这大大节省了我们自己和同事重新阅读、审查代码的时间。当我们生成一个用来分析的数据集时，数据科学家会在脑海中确立一个最终目标(比如，我们想看到过去6个月登录的用户访问帮助页面的次数)。记录我们的查询意图，都有助于指导我们编写查询，并帮助审核员判断工作的准确性。

注释能记录相关的数据假设

垃圾进，垃圾出（GIGO：Garbage in Garbage Out）是我们分析时应该优先注意的。简而言之就是，如果你输入了一个无意义的分析或模型数据，你会得到无意义的结果。

这很重要，因为原始数据在被用于分析之前需要建模和聚合。在某些程度上，这也会发生在SQL中(尤其是随着dbt等工具的出现)。所以，当你对你的数据做出假设，或者选择某种类型的集合(例如使用中位数vs.平均值)时，你要在代码的注释中解释你为什么要这样做。如果无法向同事或利益相关者解释，为什么你在查询中包含某个表达式的话，会非常糟糕。

一切源于信任

其实，这四个原则都是基于信任的，而信任是数据科学家拥有的最重要的资产。学习或编写SQL时，遵循这四个原则可以帮助你建立你在面试官、同事和利益相关者中的信任。

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：Nate Coleman
翻译作者：Lea
美工编辑：过儿
校对审稿：Jiawei Tong
原文链接：https://towardsdatascience.com/4-principles-to-learn-sql-for-data-science-781520c0e983