本文最初发布于towards data science网站， 经原作者授权由InfoQ中文站翻译并分享。

SQL是用于数据分析和数据处理的最重要的编程语言之一，因此与数据科学相关的工作（例如数据分析师、数据科学家和数据工程师）在面试时总会问到关于SQL的问题。SQL面试问题旨在评估应聘者的技术和解决问题的能力。因此对于应聘者来说，关键在于不仅要根据样本数据编写出正确的查询，而且还要像对待现实数据集一样考虑各种场景和边缘情况。

我以前也设计过针对数据科学候选人的SQL面试问题，自己也在大型技术公司和初创公司中主持过许多次SQL面试。在这篇文章中，我将介绍SQL面试问题中常见的模式，并提供一些在SQL查询中巧妙处理它们的技巧。

问问题

要搞定一场SQL面试，最重要的是尽量多问问题，获取关于给定任务和数据样本的所有细节。充分理解需求后，接下来你就可以节省很多迭代问题的时间，并且能很好地处理边缘情况。

我注意到许多候选人经常还没完全理解SQL问题或数据集，就直接开始编写解决方案了。之后，等我指出他们解决方案中存在的问题后，他们只好反复修改查询。最后，他们在迭代中浪费了很多面试时间，甚至可能到最后都没有找到正确的解决方案。

我建议大家在参加SQL面试时，就当成是自己在和业务伙伴共事。所以在你提供解决方案之前，应该要针对数据请求了解清楚所有的需求。

示例

查找薪水最高的前3名员工。

样本employee_salary表。

这里你应该要求面试官说清楚“前三名”具体是什么意思。我应该在结果中包括3名员工吗？你要我怎样处理关系？此外，请仔细检查样本员工数据。salary字段的数据类型是什么？在计算之前是否需要清除数据？

选哪一个JOIN

在SQL中，JOIN通常用来合并来自多个表的信息。有四种不同类型的JOIN，但在大多数情况下，我们只使用INNER、LEFT和FULLJOIN，因为RIGHTJOIN并不是很直观，还可以使用LEFTJOIN很简单地重写。在SQL面试中，需要根据给定问题的特定要求选择你要使用的正确JOIN。

示例

查找每个学生参加的课程总数。（提供学生id、姓名和选课的数量。）

样本student和class_history表。

你可能已经注意到了，并非所有出现在class_history表中的学生都出现在了student表中，这可能是因为这些学生已经毕业了。（这在事务数据库中实际上是非常典型的情况，因为不再活跃的记录往往会被删除。）根据面试官是否希望结果中包含毕业生，我们需要使用LEFT JOIN或INNER JOIN来组合两个表：

WITH class_count AS ( 
    SELECT student_id, COUNT(*) AS num_of_class 
    FROM class_history 
    GROUP BY student_id 
) 
SELECT 
    c.student_id, 
    s.student_name, 
    c.num_of_class 
FROM class_count c 
-- CASE 1: include only active students 
JOIN student s ON c.student_id = s.student_id 
-- CASE 2: include all students 
-- LEFT JOIN student s ON c.student_id = s.student_id

GROUP BY

GROUP BY是SQL中最重要的功能，因为它广泛用于数据聚合。如果在一个SQL问题中看到诸如求和、平均值、最小值或最大值之类的关键字，这就表明你可能应该在查询中使用GROUP BY了。一个常见的陷阱是在GROUP BY过滤数据时混淆WHERE和HAVING——我见过很多人犯了这个错误。

示例

计算每个学生在每个学年的必修课程平均GPA，并找到每个学期中符合Dean’s List（GPA≥3.5）资格的学生。

样本gpa_history表。

由于我们在GPA计算中仅考虑必修课程，因此需要使用WHERE is_required = TRUE来排除选修课程。我们需要每位学生在每学年的平均GPA，因此我们将同时GROUP BY student_id和school_year列，并取gpa列的平均值。最后，我们只保留学生平均GPA高于3.5的行，可以使用HAVING来实现。合起来是下面这样：

SELECT 
    student_id, 
    school_year, 
    AVG(gpa) AS avg_gpa 
FROM gpa_history 
WHERE is_required = TRUE 
GROUP BY student_id, school_year 
HAVING AVG(gpa) >= 3.5

请记住，每当在查询中使用GROUP BY时，都只能选择group-by列和聚合列，因为其他列中的行级信息已被舍弃。
有些人可能想知道WHERE和HAVING之间有什么区别，或者为什么我们不是简单地编写HAVING avg_gpa >= 3.5，却要使用比较麻烦的函数。我将在下一节中详细解释。

SQL查询执行顺序

大多数人会从SELECT开始，从上到下编写SQL查询。但你知道SQL引擎执行函数时要到后面才执行SELECT吗？以下是SQL查询的执行顺序：

FROM, JOIN
WHERE
GROUP BY
HAVING
SELECT
DISTINCT
ORDER BY
LIMIT, OFFSET

再次考虑前面的示例。因为我们想在计算平均GPA之前过滤掉选修课程，所以我使用WHERE is_required = TRUE代替HAVING，因为WHERE会在GROUP BY和HAVING之前执行。我不能编写HAVING avg_gpa >= 3.5的原因是，avg_gpa被定义为SELECT的一部分，因此无法在SELECT之前执行的步骤中引用它。

我建议在编写查询时遵循引擎的执行顺序，这在编写复杂查询时会很有用。

Window函数

Window函数也经常出现在SQL面试中。共有五种常见的Window函数：

RANK / DENSE_RANK / ROW_NUMBER ：它们通过排序特定列来为每行分配一个排名。如果给出了任何分区列，则行将在其所属的分区组中排名。
LAG / LEAD ：它根据指定的顺序和分区组从前一行或后一行检索列值。

在SQL面试中，重要的是要了解排名函数之间的差异，并知道何时使用LAG/LEAD。

示例

查找每个部门中薪水最高的前3名员工。

另一个示例employee_salary表。

当一个SQL问题要求计算“TOP N”时，我们可以使用ORDER BY或排名函数来回答问题。但在这个示例中，它要求计算“每个Y中的TOP N X”，这强烈暗示我们应该使用排名函数，因为我们需要对每个分区组中的行进行排名。

以下查询恰好能找到3名薪水最高的员工，而不论他们的关系如何：

WITH T AS ( 
SELECT 
    *, 
    ROW_NUMBER() OVER (PARTITION BY department_id ORDER BY employee_salary DESC) AS rank_in_dep 
FROM employee_salary) 
SELECT * FROM T 
WHERE rank_in_dep <= 3 
-- Note: When using ROW_NUMBER, each row will have a unique rank number and ranks for tied records are assigned randomly. For exmaple, Rimsha and Tiah may be rank 2 or 3 in different query runs.

此外，根据关系的处理方式，我们可以选择其他排名函数。同样，细节是很重要的！

ROW_NUMBER，RANK和DENSE_RANK函数的结果比较。

重复项

SQL面试中的另一个常见陷阱是忽略数据重复。尽管样本数据中的某些列似乎具有不同的值，但面试官还是希望候选人考虑所有可能性，就像他们在处理真实数据集一样。例如，在上一个示例employee_salary表中，可以让雇员共享相同的名称。

要避免由重复项导致的潜在问题，一种简单方法是始终使用ID列唯一地标识不同的记录。

示例

使用employee_salary表查找每个部门所有员工的总薪水。

正确的解决方案是GROUP BY employee_id，然后使用SUM(employee_salary)计算总薪水。如果需要雇员姓名，请在末尾与employee表联接以检索雇员姓名信息。

错误的方法是使用GROUP BY employee_name。

NULL

在SQL中，任何谓词都可以产生三个值之一：true，false和NULL，后者是unknown或missing数据值的保留关键字。处理NULL数据集时可能会意外地很棘手。在SQL面试中，面试官可能会特别注意解决方案是否处理了NULL值。有时，很明显有一列是不能nullable的（例如ID列），但对于其他大多数列来说，很有可能会有NULL值。

我建议确认示例数据中的关键列是否为nullable，如果可以，请利用IS(NOT)NULL，IFNULL和COALESCE之类的函数来覆盖这些边缘情况。

（想要了解关于如何处理NULL值的更多信息？请查阅我写的在SQL中使用NULL的指南。「 https://towardsdatascience.com/demystify-null-values-in-sql-bc7e7e1b913a」）

交流

最后一点也非常重要：在SQL面试期间要随时与面试官沟通交流。

我面试过的许多候选人都很沉默寡言，有疑问的时候才会知声。当然如果他们最终给出了完美的解决方案，那也不是什么问题。但是，在技术面试期间保持沟通交流往往会是有价值的。例如，你可以谈论对问题和数据的理解，说明你计划如何解决问题，为什么使用某些函数而不是其他选项，以及正在考虑哪些极端情况。

总结

首先要提问，收集所需的细节。
在INNER，LEFT和FULL JOIN之间谨慎选择。
使用GROUP BY聚合数据并正确使用WHERE和HAVING。
了解三个排名函数之间的差异。
知道何时使用LAG/LEAD窗口函数。
如果在创建复杂的查询时遇到困难，请尝试遵循SQL执行顺序。
考虑潜在的数据问题，例如重复和NULL值。
与面试官交流你的思路。

为了帮助大家了解如何在实际的SQL面试中使用这些策略，我在下面的视频中从头到尾一步步介绍了一个SQL面试问题例子：

https://youtu.be/EjETvPfiwYw

希望这篇指南可以帮助你准备好下一次数据科学面试。祝好运！

想了解更多数据工程知识？查看我关于数据科学的数据工程101专栏（ https://towardsdatascience.com/tagged/data-engineering-101）。

原文链接： https://towardsdatascience.com/crack-sql-interviews-6a5fc90ec763

创作场景

如何准备一场成功的 SQL 面试？