聚合函数

目录 单表操作 分组 group by having order by limit 使用顺序 多表操作 外键 一对多 多对多 一对一 多表联查 单表操作 分组 group by 分组指的是：将所有记录按照某个相同字段进行归类，比如针对员工信息表的职位分组，或者按照性别进行分组 用法 select 聚合函数， 选取的字段 from employee group by 分组的字 group by : 是分组的关键词 group by 必须和聚合函数(count)出现 where 条件语句和group by分组语句的先后顺序： where > group by > having(******) having having是对group by后的数据进行二次筛选 select 聚合函数 [as 列名] from 表名 group by 列名 having 条件; order by order by 列名 asc 升序 order by 列名 desc 降序 limit 限制查询记录的个数 limit offset,size offset 表示起始行数，第一行对应的offset是0 size表示查询记录的个数 使用顺序 where > group by > having > order by > limit 多表操作 外键 外键是表中的一个字段，这个字段与另外一个表中的字段相匹配 作用： 1

一、分析函数 -- Oracle从8.1.6开始提供分析函数，专门用于解决复杂报表统计需求的功能强大的函数， -- 它可以在数据中进行分组然后计算基于组的某种统计值，并且每一组的每一行都可以返回一个统计值。分析函数用于计算基于组的某种聚合值。 -- 它和聚合函数的不同之处是：对于每个组返回多行，而聚合函数对于每个组只返回一行。普通的聚合函数用group by分组， -- 每个分组返回一个统计值；而分析函数采用partition by分组，并且每组每行都可以返回一个统计值。 -- 1、分析函数的形式： -- 分析函数带有一个开窗函数over()，在窗口函数中包含三个分析子句:分组(partition by), 排序(order by), 窗口(rows) ， -- 他们的使用形式如下：over(partition by xxx order by yyy rows between zzz)。 -- 注：窗口子句在这里我只说rows方式的窗口,range方式和滑动窗口也不提。 -- 例如：统计函数+over()、排序函数+over()、数据分布函数+over()、统计分析函数+over()。 -- 2、开窗函数： 开窗函数指定了分析函数工作的数据窗口大小，这个数据窗口大小可能 /* 会随着行的变化而变化 */ 。例如over函数 二、窗口函数 -- 窗口函数中常用的子句有：分区

如果我们要统计一张表的数据量，例如，想查询students表一共有多少条记录，难道必须用SELECT * FROM students查出来然后再数一数有多少行吗？ 这个方法当然可以，但是比较弱智。对于统计总数、平均数这类计算，SQL提供了专门的聚合函数，使用聚合函数进行查询，就是聚合查询，它可以快速获得结果。 仍然以查询students表一共有多少条记录为例，我们可以使用SQL内置的COUNT()函数查询： SELECT COUNT (*) FROM students; COUNT( )表示查询所有列的行数，要注意聚合的计算结果虽然是一个数字，但查询的结果仍然是一个二维表，只是这个二维表只有一行一列，并且列名是COUNT( )。 通常，使用聚合查询时，我们应该给列名设置一个别名，便于处理结果： SELECT COUNT (*) num FROM students; 所有的UDAF（即聚合函数）都应该支持分组查询，内置的聚合函数有： sum (列名) 求和 　　　　 max (列名) 最大值 　　　　 min (列名) 最小值 　　　　 avg (列名) 平均值 　　　　 first (列名) 第一条记录 last (列名) 最后一条记录 count (列名) 统计记录数 注意和 count (*) 的区别 COUNT(*)和COUNT(id)实际上是一样的效果。另外注意

昨日补充 用 name=''比name is null快 单表操作 分组 group by 分组指的是：将所有记录按照某个相同字段进行归类，比如针对员工信息表的职位分组，或者按照性别进行分组等 用法： select 聚合函数，选取的字段 from 表名 group by 分组的字段； group by:是分组的关键词 group by 必须和聚合函数一起出现 聚合函数： max : 求最大的 min:求最小的 count: 计数，数量 sum：求和 avg：平均数 where 条件语句和group by分组语句的先后顺序： where>group by>having(************) 例子： #以性别为例，进行分组，统计男生和女生的人数 select count(id),sex from employee group by sex; #对部门进行分组，求出每个部门年龄最大的那个人； select max(age),depart_id from employee group by depart_id; # count和sum的区别： select depart_id,count(age) from employee group by depart_id; select depart_id,sum(age) from employee group by depart_id;

https://www.cnblogs.com/OpenCoder/p/6668882.html 我们在写Sql语句的时候没经常会遇到将查询结果行转列，列转行的需求，拼接sql字符串，然后使用sp_executesql执行sql字符串是比较常规的一种做法。但是这样做实现起来非常复杂，而在SqlServer2005中我们有了PIVOT/UNPIVOT函数可以快速实现行转列和列转行的操作。 PIVOT函数，行转列 PIVOT函数的格式如下 PIVOT(<聚合函数>([聚合列值]) FOR [行转列前的列名] IN([行转列后的列名1],[行转列后的列名2],[行转列后的列名3],.......[行转列后的列名N])) <聚合函数>就是我们使用的SUM,COUNT,AVG等Sql聚合函数，也就是行转列后计算列的聚合方式。 [聚合列值]要进行聚合的列名 [行转列前的列名]这个就是需要将行转换为列的列名。 [行转列后的列名]这里需要声明将行的值转换为列后的列名，因为转换后的列名其实就是转换前行的值，所以上面格式中的[行转列后的列名1],[行转列后的列名2],[行转列后的列名3],......[行转列后的列名N]其实就是[行转列前的列名]每一行的值。 下面我们来看一个例子有一张表名为[ShoppingCart]有三列[Week],[TotalPrice],[GroupId]

准备数据： Michael , 3000 Andy , 4500 Justin , 3500 Betral , 4000 一、定义自定义无类型聚合函数 想要自定义无类型聚合函数，那必须得继承org.spark.sql.expressions.UserDefinedAggregateFunction，然后重写父类得抽象变量和成员方法。 package com . cjs import org . apache . spark . sql . Row import org . apache . spark . sql . expressions .{ MutableAggregationBuffer , UserDefinedAggregateFunction } import org . apache . spark . sql . types . _ object UDFMyAverage extends UserDefinedAggregateFunction { //定义输入参数的数据类型 override def inputSchema : StructType = StructType ( StructField ( "inputColumn" , LongType ):: Nil ) //定义缓冲器的数据结构类型，缓冲器用于计算，这里定义了两个数据变量：sum和count

1 --聚合函数 2 -- sum() 3 -- 求和 4 select sum(age) from student; 5 6 -- count() 7 -- 求数量 8 -- 数据量 9 select count(*) as '数量' from student; 10 11 -- max() 12 --最大值 13 select max(age) as '最大值' from student; 14 15 -- min 16 -- 最小值 17 select min(age) as '最小值' from student; 18 19 -- avg() 20 --求平均值 21 select avg(age) as '平均值' from student; 22 23 --round() 24 --保留几位小数 25 select round(avg(age),2) as '平均值2位小数' from student; 26 27 -- 综合查询 28 select sum(age)/count(age) as '平均值' from student;

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/m0_37809146/article/details/91282135 一、简单聚合 1.1 数据准备 // 需要导入spark sql内置的函数包 import org.apache.spark.sql.functions._ val spark = SparkSession.builder().appName("aggregations").master("local[2]").getOrCreate() val empDF = spark.read.json("/usr/file/json/emp.json") // 注册为临时视图，用于后面演示SQL查询 empDF.createOrReplaceTempView("emp") empDF.show() 注：emp.json可以从本仓库的 resources 目录下载。 1.2 count // 计算员工人数 empDF.select(count("ename")).show() 1.3 countDistinct // 计算姓名不重复的员工人数 empDF.select(countDistinct("deptno")).show() 1.4 approx_count_distinct 通常在使用大型数据集时

　　group by，即以其中一个字段的值来分组 select 的字段只能是分组的字段类别以及使l聚合函数如，max(),min(),count()的字段。 where在前，group by在后，注意group by紧跟在where最后一个限制条件后面，不能被夹在where限制条件之间。 where在前，group by在后的原因：要先用where过滤掉不进行分组的数据，然后在对剩下满足条件的数据进行分组。 having是在分好组后找出特定的分组，通常是以筛选聚合函数的结果，如sum(a) > 100等，且having必须在group by 后面， 使用了having必须使用group by，但是使用group by 不一定使用having。不允许使用双重聚合函数，所以在对分组进行筛选的时候 可以用order by 排序，然后用limit也可以找到极值。 如下图所示，使用having报错，通过order by 筛选 鸣谢参考： https://www.cnblogs.com/jingfengling/p/5962182.html 来源： https://www.cnblogs.com/max1995/p/11766987.html

本篇内容 分组查询语法 聚合函数 单字段分组 多字段分组 分组前筛选数据 分组后筛选数据 where和having的区别 分组后排序 where & group by & having & order by & limit 一起协作 mysql分组中的坑 in多列查询的使用 一、分组查询　　 　　 语法： 　　SELECT column, group_function,... FROM table　　[WHERE condition]　　GROUP BY group_by_expression　　[HAVING group_condition];　　说明：　　　　 　　　　group_function：聚合函数。 　　　　group_by_expression：分组表达式，多个之间用逗号隔开。 　　　　group_condition：分组之后对数据进行过滤。 　　　　分组中，select后面只能有两种类型的列： 出现在group by后的列 或者使用聚合函数的列 二、聚合函数 函数名称 作用 max 查询指定列的最大值 min 查询指定列的最小值 count 统计查询结果的行数 sum 求和，返回指定列的总和 avg 求平均值，返回指定列数据的平均值 　　分组时，可以使用使用上面的聚合函数。 三、单字段分组 　　SELECT user_id 用户id, COUNT(id) 下单数量