数据分析写SQL取数回归到本质就是筛选或者过滤，对原始数据进行某种给定条件的筛选或者过滤，仔细思考一下表连接（join)不就是以另一张表为过滤条件、where后接的不就是过滤条件、group by分组不就是把分组情况作为条件？说到底就是按照条件的先后顺序一道一道把需要的数据筛选出来，因此条件过滤是SQL的基本技能，理解透了如何用join、如何用where、如何用groupby这三大筛选方式的原理，基本SQL就不在话下。
下面用实际案例数据还原真实取数场景，来从条件否定的角度帮助你在实战中理解如何实现SQL条件过滤取数的过程，总结思路和规律。
需求：写一条 SQL 语句找出在FactInternetSalesReason表中而不在DimSalesReason表中的SalesReasonkey和SalesReasonName，你该怎么做？
背景：数据来源于微软示例数据库，一家销售自行车制造公司的销售数据，公司为了改善产品，增进用户体验，需要了解顾客购买产品的消费理由，现在公司收集到两张表，一张FactInternetSalesReason表，包含订单号salesordernumber和SalesReasonkey在内三个字段，共计64515条记录，另一张表DimSalesReason记录每个销售因素，包含SalesReasonkey和SalesReasonName在内四个字段。因FactInternetSalesReason数据量大，现在先分组聚合后展示接下来将要操作的两张表的数据，让大家更清楚理解过程和结果：
分析：首先明确要取的数据字段是什么，需求中说了是FactInternetSalesReason表中的SalesReasonkey这一个字段，不过需要筛选，筛选出不在DimSalesReason表中的记录，这是典型的条件筛选，用where语句not in关键字筛选就可以了，还涉及到表连接（join）和分组（group by)。需求很明确，也很简单。但是我仍然提出五种思路供大家参考和动手实践，目的在于学会判断哪些思路写出的SQL是好的，这是SQL优化的第一步。
本篇是原创SQL解题总结系列第七篇，如果大家看了我之前的系列文章应该都知道SQL题大都有四个角度去考虑解法，但是对这道题只用到了第一种思路，就是简单查询（复合查询）。后面四种方法没有用到。为什么？因为在前面几篇里排名问题、连续问题、累加问题是数据纵向之间发生关系；两个均值比较、行转列问题涉及纵向和横向数据之间发生关系；但在简单的条件过滤中数据纵向之间和横向之间是没有发生关系的。再来看窗口函数、自定义变量、自连接都解决的是数据纵向之间关系，是在这里不适用的。这也给初学者提供写SQL的思路，究竟什么时候用窗口函数或自连接，什么时候不该用，是要判断取的数据要不要在纵向或横向发生关系。
简单说一下解题思路，主表是DimSalesReason，要取出的两个字段也都在这张表中，从表是FactInternetSalesReason，这里你就可以看到其实连接就是用从表筛选主表。那怎么筛选呢？下面从子查询、连接查询、联合查询三个角度来筛选，这也充分利用了所有SQL的基本知识，这也是我前面文章所说的一定理解基本SQL语句的功能，要实现某个目的可以创造条件让这个功能实现。下面直接给出全部解法，再一一对比解析。
解法一 子查询+not in
select SalesReasonkey,SalesReasonName from DimSalesReasonwhere SalesReasonkey not in(select SalesReasonkeyfrom (select SalesReasonkey,count(SalesReasonkey)from FactInternetSalesReasongroup by SalesReasonkey)a);
解法二 子查询+not exists
select SalesReasonkey,SalesReasonName from DimSalesReason dwhere not exists(select SalesReasonkeyfrom (select SalesReasonkey,count(SalesReasonkey)from FactInternetSalesReasongroup by SalesReasonkey)awhere d.SalesReasonkey = a.SalesReasonkey);
解法三 连接查询+null
select d.SalesReasonkey,SalesReasonNamefrom DimSalesReason dleft join (select SalesReasonkey,count(SalesReasonkey)from FactInternetSalesReasongroup by SalesReasonkey)aon d.SalesReasonkey = a.SalesReasonkeywhere a.SalesReasonkey is null;
解法四 连接查询+isnull
select d.SalesReasonkey,SalesReasonNamefrom DimSalesReason dleft join (select SalesReasonkey,count(SalesReasonkey)from FactInternetSalesReasongroup by SalesReasonkey)aon d.SalesReasonkey = a.SalesReasonkeywhere isnull(a.SalesReasonkey);
解法五 联合查询
with t as(select SalesReasonkey,SalesReasonNamefrom DimSalesReasonunionselect SalesReasonkey,count(SalesReasonkey)from FactInternetSalesReasongroup by SalesReasonkey)select SalesReasonkey,SalesReasonNamefrom tgroup by SalesReasonkeyhaving count(SalesReasonkey)=1;
上面这五种解法的执行效率如下：
初学者应该都知道SQL的书写顺序和执行顺序不一样，下面这张图分别显示了是怎样的顺序：
可以看到SQL实际取数的过程是这样的：
步骤1.最开始执行的是from关键字，先去访问原数数据表，生成一张虚拟表t1（这张表包含原主表数据的全部数据，但是实际没有取数）；
步骤2.如果有join关键字，就将join后面的表和t1表做个笛卡尔积，生成虚拟表t2（这张表包含原主表数据和从表的全部数据，但还是没有取数），如果没有就跳过，直接执行where以及之后语句；
步骤3.上一步有join关键字，则必须有on或者using关键字，否则语法上肯定报错。on的作用就相当于where，是筛选器功能。它表示的是两张表连接时在on后面条件下进行的，过滤掉不符合条件的生成虚拟表t3（依然没有实际取数），一般情况下是“=”连接条件，但是也可以接其他的，很多初学者可能错误的以为on后面只能接等于号；
步骤4.两张表连接好后经过on第一道筛选之后进入到where筛选器，生成虚拟表t4,where是几乎所有SQL必须要有的关键字，因为它是最靠前的筛选器，它可以为后面的执行过程提高效率；
步骤5.在上一步筛选基础上进行group by分组筛选，生成虚拟表t5。group by分组本质上就是where条件筛选再加上聚合，怎么理解呢？
上面可以理解为是一个先map(映射)再reduce(缩减)，在主流数据库里使用group by 后必须使用聚合函数（reduce），因为要将每个组内复合条件的数据缩减为一行就需要判断或者计算，比如max/min/sum/count/avg等等，然后再将结果一个一个union（联合）起来；但是在MySQL里可以不用聚合，会默认取每组第一条数据，但是在sql server里是会报错的。
步骤6.在步骤5的基础上计算with cube或者rollup，这是对分组聚合的结果再汇总，就相当于excel表中求和时右下角对每组求和结果再求和的那个值。这里生成虚拟表t6。
步骤7.在步骤6基础上，对分组后的数据进行第三道筛选，它的作用也相当于where，注意必须与groupby搭配使用。这里生成虚拟表t7。
步骤8.在步骤7筛选完毕之后，就开始执行select语句实际取数，形成虚拟表t8，不过这里其实不是select第一次执行，它在from之前已经执行过一次，但是它的作用不是取数，而是搭建好后面取的数据的表结构和字段名，这也是为什么在having筛选条件里可以使用select语句中的字段别名。但是这仅限于MySQL,SqlServer、oracle是严格遵循SQL标准的。
步骤9.在步骤8的基础上对数据去重distinct，生成虚拟表t9。
步骤10.在步骤8的基础上对数据进行排序，排序是比筛选成本更高的操作，where条件筛选其实也是依据某种执行顺序，但是它是隐性的，order by是显性的。为了提高效率，我们往往需要在where和orderby后面的列增加索引，这样查询才会高效。这就是为什么要索引的原因。这一步生成虚拟表t9。
步骤11.这里用limit关键字对上一步的表进行截断，取得最终结果。
理解了上面全部执行顺序再来理解上面五种解法就很简单了。我可以把筛选条件放在on后面（连接查询），也可以放在where后面（子查询），也可以放在group by后面（联合查询）。在这个执行顺序过程中三道筛选，后一道都在前一道的基础上，说明前面所处理的表数据是大于后面的，如果我们在越靠前的位置尽可能多的过滤掉数据，那整体的执行效率就会大大提高。这就是上面显示为什么子查询和连接查询效率比联合查询高（理论上连接查询比子查询快，但因为数据量比较小，所以差不多，反而还慢）。
最后还需要解释的就是not in和not exists，null和isnull的用法和区别。
如果百度查in和exists的区别的话，大都说不建议使用in，但其实这需要因问题而定，要查看执行计划才能确定。因为涉及到全表扫描，数据内容不一样效率也会不一样。下面是区别：
1、对于not exists查询，内表存在空值对查询结果没有影响；对于not in查询，内表存在空值将导致最终的查询结果为空。
2、对于not exists查询，外表存在空值，存在空值的那条记录最终会输出；对于not in查询，外表存在空值，存在空值的那条记录最终将被过滤，其他数据不受影响。
null和isnull的区别也很简单，前者没有参数，只是作为条件判断，找出为空的记录；而后者是有参数的，它会对第一个参数判断，如果为空就null,不为空就不返回。所以它的执行效率会比is null慢一些。
上面通过一个简单的例子详细的解释了SQL的书写顺序和执行顺序，以加强读者对SQL语句原理的理解，既可以帮助大家搞懂怎么写SQL，也可以为SQL优化提供思路。
最后欢迎大家关注我，我是拾陆，搜索公众号“二八Data”，更多技术干货持续奉献。
