【sql】mysql分组查询group by的案例和原理

【一】group by的使用场景

【二】group by的基本语法

【1】基本语法

除了出现在group by后面的字段，如果要在select后查询其他字段，必须用聚合函数进行聚合

select 
	聚合函数，
	列（要求出现在group by的后面）
from 
	表
where 
	筛选条件
group by 
	分组的列表
order by 
	子句
1
2
3
4
5
6
7
8
9
10
11

【2】常用的聚合函数

（1）max函数：取出分组中的最大值

根据岗位来分组，并且查询每个岗位中最高工资的员工的工资是多少

select 
	max(salary),
	job_id
from 
	employees
group by 
	job_id;
1
2
3
4
5
6
7

（2）avg函数：取出分组中的平均值

根据部门分组，并且查询每个部门中工资的平均值

select 
	avg(salary),
	department_id
from 
	employees
where 
	email like '%a%'
group by 
	department_id
1
2
3
4
5
6
7
8
9

（3）count函数：统计每个分组中的数据有多少条

（4）sum函数：取出分组结果中的总和

（5）min函数：取出分组中的最小值

（6）GROUP_CONCAT函数：把分组中的值拼接在一起（可以先排序再拼接）

如果不排序就进行拼接的话，可能会因为拼接的顺序不一致，从而分到不同的类中

（1）mysql版本
在使用GROUP_CONCAT函数拼接字段时，可以通过ORDER BY子句指定排序字段的顺序，从而保证拼接字段的顺序。例如，以下是一个示例查询语句：

SELECT category, GROUP_CONCAT(product_name ORDER BY product_id SEPARATOR ',')
FROM products
GROUP BY category;
1
2
3

在这个查询语句中，我们按照product_id字段的顺序对product_name字段进行排序，从而保证了拼接字段的顺序。

SELECT
pm.PROJ_ID,
pm.DOMAIN_ID,
GROUP_CONCAT(CONCAT(pm.PROJ_MEMBER_NM,pm.LOGIN_ACCT) ORDER BY pm.USER_ID SEPARATOR ',' ) AS  developerName,
GROUP_CONCAT(pm.USER_ID ORDER BY pm.USER_ID SEPARATOR ',' ) AS developerId
FROM
proj_member pm LEFT JOIN proj_member_x_role pmxr ON pm.PROJ_ID = pmxr.PROJ_ID  AND pm.ID = pmxr.PROJ_MEMBER_ID
WHERE
pmxr.PROJ_ROLE_CD='DEV_DEVELOPER'
GROUP BY
pm.PROJ_ID,
pm.DOMAIN_ID
1
2
3
4
5
6
7
8
9
10
11
12

（2）oracle版本（WITHIN GROUP里进行排序再拼接）
在Oracle中，使用LISTAGG函数时，可以通过WITHIN GROUP子句中的ORDER BY子句来指定拼接字段的顺序。具体来说，ORDER BY子句中的列将按升序或降序排列，然后将按照指定的顺序拼接。例如，如果要按照课程名称的字母顺序拼接每个班级的课程，请使用以下查询：

SELECT class, LISTAGG(course, ‘,’) WITHIN GROUP (ORDER BY course) AS courses
FROM table1
GROUP BY class;
1
2
3

SELECT
pm.PROJ_ID,
pm.DOMAIN_ID,
LISTAGG ( CONCAT( pm.PROJ_MEMBER_NM, pm.LOGIN_ACCT ), ',' ) WITHIN GROUP (ORDER  BY pm.USER_ID ASC) AS developerName,
LISTAGG ( pm.USER_ID, ',' ) WITHIN GROUP (ORDER BY pm.USER_ID ASC) AS  developerId
FROM
proj_member pm LEFT JOIN proj_member_x_role pmxr ON pm.PROJ_ID = pmxr.PROJ_ID  AND pm.ID = pmxr.PROJ_MEMBER_ID
WHERE
pmxr.PROJ_ROLE_CD='DEV_DEVELOPER'
GROUP BY
pm.PROJ_ID,
pm.DOMAIN_ID
1
2
3
4
5
6
7
8
9
10
11
12

【3】条件where和having的区别

（1）分组查询中的筛选条件分为两类：
1-分组前筛选： 数据源是原始表，用where，放在group by前面，因为在分组前筛选
2-分组后筛选：数据源是分组后的结果集 ，用having，放在group by后面，因为在分组后进行筛选。

（1）案例一：where过滤

查询有奖金的每个领导手下最高工资的员工工资

select 
	max(salary),
	manager_id 
from 
	employees
where 
	commission_pct is not null
group by 
	manager_id
1
2
3
4
5
6
7
8
9

（2）案例二：having过滤

查询哪个部门的员工个数大于2

select  
	count(*),
	department_id 
from 
	employees 
group by 
	department_id 
having 
	count(*) > 2;
1
2
3
4
5
6
7
8
9

分组后筛选的思路：
1-查询每个部门的员工个数；
2-根据1的结果进行筛选，查询哪个部门员工个数大于2

（3）案例三：where+having

查询每个工种有奖金的员工的最高工资大于12000的工种编号和最高工资

select 
	max(salary),
	job_id
from 
	employees
where 
	commission_pct is not null
group by 
	job_id 
having 
	max(salary) > 12000;

1
2
3
4
5
6
7
8
9
10
11
12

思路：
1-首先where筛选有奖金的员工
2-然后根据岗位id分组
3-然后max(salary)取出每个分组中的工资最高值
4-最后having筛选工资最高值大于12000的组

（4）案例四：按表达式或函数进行筛选

按照员工姓名长度分组，查询每一组员工个数，筛选员工个数大于5的有哪些

select 
	count(*)  ,
	length(last_name) as len_name
from 
	employees 
group by 
	length(last_name)
having 
	count(*) > 5;

1
2
3
4
5
6
7
8
9
10

（5）案例五：按照多个字段分组

查询每个部门每个工种的员工平均工资，并且按照平均工资的高低排序

select 
	avg(salary),
	department_id,
	job_id 
from 
	employees
where 
	department_id is not null
group by 
	department_id,
	job_id
order by 
	avg(salary) desc;
1
2
3
4
5
6
7
8
9
10
11
12
13

【三】注意点和常见的报错信息

【1】注意的问题

（1）where + having的使用

（1）having子句用于分组后筛选，where子句用于行条件筛选
（2）having一般都是配合group by 和聚合函数一起出现如(count(),sum(),avg(),max(),min())
（3）where条件子句中不能使用聚集函数，而having子句就可以。
（4）having只能用在group by之后，where执行在group by之前

（2）group by一定要配合聚合函数一起使用嘛？

（3）group by的字段一定要出现在select中嘛？

（4）group by导致的慢SQL问题

group by使用不当，很容易就会产生慢SQL 问题。因为它既用到临时表，又默认用到排序。有时候还可能用到磁盘临时表。

【2】常见的报错信息

（1）分组后没有使用聚合函数
（2）select后的字段没有出现在group by之后

【四】group by的原理分析

【1】分析案例

group by一般用于分组统计，它表达的逻辑就是根据一定的规则，进行分组。

一张员工表

CREATE TABLE `staff` (
  `id` bigint(11) NOT NULL AUTO_INCREMENT COMMENT '主键id',
  `id_card` varchar(20) NOT NULL COMMENT '身份证号码',
  `name` varchar(64) NOT NULL COMMENT '姓名',
  `age` int(4) NOT NULL COMMENT '年龄',
  `city` varchar(64) NOT NULL COMMENT '城市',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=15 DEFAULT CHARSET=utf8 COMMENT='员工表';
1
2
3
4
5
6
7
8

表中的数据如下

现在有这么一个需求：统计每个城市的员工数量。对应的 SQL 语句就可以这么写：

select city ,count(*) as num from staff group by city;
1

执行结果如下

【2】group by的原理

（1）explain分析

explain select city ,count(*) as num from staff group by city;
1

（1）Extra 这个字段的Using temporary表示在执行分组的时候使用了临时表
（2）Extra 这个字段的Using filesort表示使用了排序

（2）group by 的简单执行流程

explain select city ,count(*) as num from staff group by city;
1

这个sql的执行流程：
（1）创建内存临时表，表里有两个字段city和num；
（2）全表扫描staff的记录，依次取出city = 'X’的记录。
1-判断临时表中是否有为 city='X’的行，没有就插入一个记录 (X,1);
2-如果临时表中有city='X’的行的行，就将x 这一行的num值加 1；
（3）遍历完成后，再根据字段city做排序，得到结果集返回给客户端。

流程的执行图如下：

临时表的排序流程：
就是把需要排序的字段，放到sort buffer，排完就返回。在这里注意一点哈，排序分全字段排序和rowid排序
（1）如果是全字段排序，需要查询返回的字段，都放入sort buffer，根据排序字段排完，直接返回
（2）如果是rowid排序，只是需要排序的字段放入sort buffer，然后多一次回表操作，再返回。
（3）怎么确定走的是全字段排序还是rowid 排序排序呢？由一个数据库参数控制的，max_length_for_sort_data

【3】where和having的原理

（1）group by + where 的执行流程

（1）如果加了where条件之后，并且where条件列加了索引呢，执行流程是怎样？

select city ,count(*) as num from staff where age> 30 group by city;
//加索引
alter table staff add index idx_age (age);
1
2
3

（2）explain分析

explain select city ,count(*) as num from staff where age> 30 group by city;
1

从explain 执行计划结果，可以发现查询条件命中了idx_age的索引，并且使用了临时表和排序。

Using index condition：表示索引下推优化，根据索引尽可能的过滤数据，然后再返回给服务器层根据where其他条件进行过滤。这里单个索引为什么会出现索引下推呢？explain出现并不代表一定是使用了索引下推，只是代表可以使用，但是不一定用了。

（3）执行流程如下
1-创建内存临时表，表里有两个字段city和num；
2-扫描索引树idx_age，找到大于年龄大于30的主键ID
3-通过主键ID，回表找到city = ‘X’
判断临时表中是否有为 city='X’的行，没有就插入一个记录 (X,1);
如果临时表中有city='X’的行的行，就将x 这一行的num值加 1；
4-继续重复2,3步骤，找到所有满足条件的数据，
5-最后根据字段city做排序，得到结果集返回给客户端。

（2）group by + having 的执行

（1）案例分析
查询每个城市的员工数量，获取到员工数量不低于3的城市，having可以很好解决

select city ,count(*) as num from staff  group by city having num >= 3;
1

查询结果

having称为分组过滤条件，它对返回的结果集操作。

（3）同时有where、group by 、having的执行顺序

（1）案例分析

select city ,count(*) as num from staff  where age> 19 group by city having num >= 3;
1

（2）执行流程
1-执行where子句查找符合年龄大于19的员工数据
2-group by子句对员工数据，根据城市分组。
3-对group by子句形成的城市组，运行聚集函数计算每一组的员工数量值；
4-最后用having子句选出员工数量大于等于3的城市组。

【五】group by的优化方案

【1】优化的思路

方向1：既然它默认会排序，我们不给它排是不是就行了？
方向2：既然临时表是影响group by性能的X因素，我们是不是可以不用临时表？

执行group by语句为什么需要临时表呢？group by的语义逻辑，就是统计不同的值出现的个数。如果这个这些值一开始就是有序的，我们是不是直接往下扫描统计就好了，就不用临时表来记录并统计结果了？

（1）group by 后面的字段加索引
（2）order by null 不用排序
（3）尽量只使用内存临时表
（4）使用SQL_BIG_RESULT

【2】group by 后面的字段加索引

如何保证group by后面的字段数值一开始就是有序的呢？当然就是加索引。

select city ,count(*) as num from staff where age= 19 group by city;
1

执行计划

给它加个联合索引idx_age_city（age,city）

alter table staff add index idx_age_city(age,city);
1

再去看执行计划，发现既不用排序，也不需要临时表

加合适的索引是优化group by最简单有效的优化方式。

【3】order by null 不用排序

并不是所有场景都适合加索引的，如果碰上不适合创建索引的场景，如果你的需求并不需要对结果集进行排序，可以使用order by null。

select city ,count(*) as num from staff group by city order by null
1

执行计划如下，已经没有filesort了

【4】尽量只使用内存临时表

如果group by需要统计的数据不多，我们可以尽量只使用内存临时表；因为如果group by 的过程因为内存临时表放不下数据，从而用到磁盘临时表的话，是比较耗时的。因此可以适当调大tmp_table_size参数，来避免用到磁盘临时表。

【5】使用SQL_BIG_RESULT优化

如果数据量实在太大怎么办呢？总不能无限调大tmp_table_size吧？但也不能眼睁睁看着数据先放到内存临时表，随着数据插入发现到达上限，再转成磁盘临时表吧？这样就有点不智能啦。

因此，如果预估数据量比较大，我们使用SQL_BIG_RESULT 这个提示直接用磁盘临时表。MySQl优化器发现，磁盘临时表是B+树存储，存储效率不如数组来得高。因此会直接用数组来存

示例SQl如下：

select SQL_BIG_RESULT city ,count(*) as num from staff group by city;
1

执行计划的Extra字段可以看到，执行没有再使用临时表，而是只有排序

执行流程如下：
（1）初始化 sort_buffer，放入city字段；
（2）扫描表staff，依次取出city的值,存入 sort_buffer 中；
（3）扫描完成后，对 sort_buffer的city字段做排序
（4）排序完成后，就得到了一个有序数组。
（5）根据有序数组，统计每个值出现的次数。

【六】实际使用案例分析