由 Tomi Mester 寫於2017年5月9日

本文轉載自SQL for Data Analysis - Tutorial for Beginners - ep1

如果你想成數據分析師或是數據科學家，那麼 SQL 是必須的。在過去的幾年中，我已經與許多公司有線業務合作 - 從 5 人創業公司到 5000 多名員工跨國公司，並沒有看到一家不會以某種方式使用SQL進行數據分析（以及更多的事情）的公司。

SQL簡單並且容易理解。因而，不只是工程師、開發者、數據分析師或數據科學家可以使用它，而是任何願意花費幾天來學習和練習它的人。

我已經創建了這個 SQL 系列，成為有志的數據分析師和數據科學家的最實用和多動手的 SQL 教程。如果你從沒有接觸過編碼、編程、查詢，它將從頭開始，這並不會是一個問題！

讓我們開始吧！

注意：因為這是一個實用教程，我鼓勵你和我一起編碼。如果你這樣做，你將需要一個數據伺服器來練習。所以我建議你先通過閱讀這篇文章。

利用SQL進行數據分析？這是什麼？為什麼好呢？

SQL代表『結構化查詢語言』。 但是我喜歡描述它為「加強版的 Excel」。下面是同一份數據在 Excel 和 SQL:

如你所見，SQL 和 Excel 十分相似。它們用具有行和列的二維列表展示數據。兩者都非常結構化，非常透明。

不過也有差異。作為初學者，你應該知道兩件關於 SQL 的重要事情：

1.第一是性能。雖然 Excel 在小數據集中表現很棒，但是當你使用不同的公式處理 100 k+ 行的文件，它變得十分緩慢和低效。在 SQL 中，甚至超過 10 M+ 行的文件可以很快的處理。（例如，在接下來的利用 SQL進行數據分析文章中，我們將使用一個 7 M+ 行的數據集。）

2.第二是怎樣訪問你的數據。Excel 主要是圖形用戶界面（也成為 GUI）。你可以滾動、敲入公式、用游標選擇你的範圍等等，非常方便。在 SQL 中，你沒有這樣的界面，你必須使用稱為『SQL 查詢』來代替。看下面的gif：

在 Excel 中求和在 SQL 中求和

因為第一次看到這個，可能感覺到麻煩。但是相信我，一旦你了解 SQL 基礎知識，你會發現它比 Excel 更加清晰、更有效率。只提兩個有點：在 SQL 中，連接表比 Excel 更簡單。同樣，使用 SQL 自動化和重複使用腳本也將會變得更加方便。

當你使用 SQL 進行數據分析，你將會使用它（最有可能）進行簡單任務：聚合事情、連接數據集、使用簡單的統計和數學方法。但是，你可以比以前更有效率執行這些任務和更大的數據集。

Python，R 和 bash怎麼樣？

如果你已經完成了我之前的 bash 教程 或者你已經參加一些我的在線直播,你可能會問：SQL 比 Python，R 或者 bash 好還是壞？答案是...好吧，這個問題沒有明確答案！

一旦你開始在實際生活的數據項目中應用這些語言，你將看到 Python 和 R 在某些方面是表現好的，而 SQL 在其他方面表現好。主要是語法、功能、性能不同...但是，我現在不想進入該主題，因為：

a）我承諾一個使用教程，其主題有點理論（甚至有點哲學）。

b）它還有點先進的東西。

c）在這個水平上，你完全不需要擔心它的性能，並且你有可能得到資深數據科學家或者數據工程師的幫助。

注意：如果你真的很好奇，我給你~1小時在這裡比較 Python,R,SQL 和 bash。

但是現在，讓我們試試吧！

STEP 0 - 安裝你自己的 SQL 環境來練習！

注意：如果你已經有自己的 SQL 環境，你可以跳到STEP-獲得數據！

首先，請仔細閱讀這篇文章。它是關於如何一步一步設置你自己的數據服務和安裝 bash,Python,R 和 SQL 的教程。

注意：在我的『利用 SQL 進行數據分析』文章中，我將使用 postgreSQL！還有其他類型的 SQL 語言（例如，另一個眾所周知的開源語言 mySQL）。好消息是，所有的 SQL 語言都非常相似 -- 如果你學習 postgreSQL，則需要幾個小時（甚至幾分鐘）才能適應另一個。我選擇了 postgreSQL，因為它很受歡迎（許多在線企業都在使用它），同時它被稱為最先進的開源 SQL 語言。

如果你通過上述鏈接的文章，請仔細檢查，如果你有以下3件事情：

1.具有終端（或 iTerm）訪問許可權的數據伺服器。

2.PostgreSQL 安裝在你的數據伺服器上。

3.你的計算機上的Pgadmin4（或SQL Workbench）。

如果缺少某些內容，請再次閱讀：安裝 bash，Python，R 和 SQL!

注意：作為一個 SQL 查詢工具，相比於 pgadmin4，我更喜歡 SQL Workbench，但這是一種品味的問題。在我的利用 SQL 進行數據分析教程中，我將使用 SQL Workbench（以下是有關如何在計算機上安裝它的教程），但你可以隨意使用 pgadmin4。這不會有什麼區別！

STEP 1 – 通過命令行登錄你的 SQL 資料庫!

太好了！你將在一分鐘內編寫你的第一個 SQL 查詢！首先從命令行訪問你的 SQL 資料庫！你已經做了一次，我們將重複這個過程：

1.打開終端（或 iTerm）。

2.ssh到你的數據伺服器

在我的環境下，我輸入：

ssh tomi@[myipadress]

3.一旦我登錄伺服器，我想訪問我的 postgreSQL 資料庫。因為我已經訪問了我的用戶，我只需要鍵入這個命令：

psql -U tomi -d postgres- ? psql是命令本身以及 -U 指定你的用戶名（我的為「tomi」），以及 -d 指定你的資料庫的名稱（我的是 postgres 同樣適用於你）。你的提示應改為：

postgres=>

完成！你可以完全訪問你的 SQL 資料庫！ 4.作為測試，鍵入：

dt 這會列出你所有的數據表。到目前為止，你只有一個數據表，但是這將會馬上改變！

再次提醒！如果缺少某些東西或者不能運行，請再次閱讀：安裝 bash，Python，R 和 SQL!

STEP 2 - 獲得數據！

在本教程中，我們將使用一個非常小的數據集，稱為 zoo。

您可以從這裡以原始 .tsv 格式下載，你可以在 Excel 中操作它。如果您已經完成了bash 教程，或者在bash /command line。

但是，繼續使用SQL：

1）創建一個表，我們可以向表中載入數據。在我的後續教程中，我將詳細解釋這裡發生了什麼，但現在，你只需將這幾行代碼複製粘貼到終端中：

CREATE TABLE zoo ( animal varchar(10), uniq_id integer PRIMARY KEY, water_need integer );

2）仔細檢查表格是否已創建：

dt

我們有新的數據表：zoo！

3）載入數據！

再次說明：我稍後會解釋，但是現在，只是複製粘貼這個 SQL 查詢：

INSERT INTO zoo (animal,uniq_id,water_need) VALUES ("elephant",1001,500), ("elephant",1002,600), ("elephant",1003,550), ("tiger",1004,300), ("tiger",1005,320), ("tiger",1006,330), ("tiger",1007,290), ("tiger",1008,310), ("zebra",1009,200), ("zebra",1010,220), ("zebra",1011,240), ("zebra",1012,230), ("zebra",1013,220), ("zebra",1014,100), ("zebra",1015,80), ("lion",1016,420), ("lion",1017,600), ("lion",1018,500), ("lion",1019,390), ("kangaroo",1020,410), ("kangaroo",1021,430), ("kangaroo",1022,410);

如果一切正常，你會得到這條提醒：

INSERT 0 22

最重要的 SQL 語句：SELECT

是時候學習最基本的 SQL 語句。這是：

SELECT * FROM table_name;

每當你在數據上使用讀取，過濾，轉換，聚合或執行任何操作，你將會使用 SELECT。在這系列教程中,90％的內容將會顯示出來，以某種方式修改單一查詢。作為開始，我們從 zoo 數據表中 SELECT 任意內容。

SELECT * FROM zoo;

我已經得到完整的可讀格式的表。（如果要從這個視角中退出，請在鍵盤上按Q鍵。）

SELECT * FROM zoo;

我想它甚至不需要一個解釋 -- 因為語法本身非常接近英語 - 但是為了以防萬一：SELECT 是主語句，它告訴 SQL 我們想從我們的數據表中讀取一些東西。

* 通常是指「一切」 -- 在這種情況下，這意味著我們想選擇每一列。

FROM 告訴 SQL，我們要從指定的表中讀取數據。

zoo 是表的名稱。如果你有更多的表，您可以將其替換為任何其他表名。

; 這是一個 SQL 特定的語法。每個查詢都應該用分號關閉。如果您不小心錯過了，SQL 將期望您繼續查詢，不會在屏幕上返回任何內容。

從現在起，你將會使用這種語法。

SELECT columns

你可以用實際的列名替換 * 字元。嘗試這個查詢：

SELECT animal, water_need FROM zoo;

（如果要從此視圖中退出，請在鍵盤上按Q鍵。）

確切地說，你所期望的是：你的屏幕上列出了「animal」和「waterneed」列，而不是「uniqid」。

這樣可以 SELECT 任何列。你只需要用逗號分隔指定的列名。

你也可以這樣做：

SELECT animal, animal, animal FROM zoo;

你會看到同一列多次...但是，因為這是沒有意義的，我建議只是根本不這樣做。

顯示數據的前幾行 -- LIMIT 從句

現在我們正在使用 22 行的數據表。在「利用 SQL 進行數據分析」系列的下一集中，我們將使用一個 7 M+ 行數據文件。這是一個很大的變化，在這種情況下，每次都在屏幕上列印所有數據是不合理的，而是獲取前幾行的小樣本。為此，使用 LIMIT 從句 - 這是之前介紹的「基礎查詢」頂部的一個小「擴展」：

SELECT * FROM zoo LIMIT 10;

這將僅列印前10行。（記住它是如何在 bash 中完成的？這是 head -10 命令。）

當然，你可以決定要列印多少行，並在 LIMIT 之後指定！

過濾指定行 -- WHERE從句

基於數值，你可以用 WHERE 從句選擇特定的行。例如：

SELECT * FROM zoo WHERE animal = "elephant";

SELECT * FROM zoo-?這是「基礎查詢」 WHERE-? 這告訴 SQL 你想過濾一些東西

animal = "elephant"-? animal 是你正在尋找給定值的列名。而 elephant 是值本身。在 SQL 中，你必須添加列名，尋找值。

; -? 永遠不要忘記分號！

在利用 SQL 進行數據分析系列的下一集中，我將詳細介紹如何充分利用 WHERE！現在，如果你知道這是為了過濾行，便足夠了。

自我測試＃1

這是一個介紹性的文章，所以這第一個任務也將是相當容易的：

從 zoo 表中選擇前 3 個 zebra！

該解或多或少是本文的總結！

. . . 準備？

這是我的解決方案：

SELECT * FROM zoo WHERE animal = "zebra" LIMIT 3;

SQL 很容易，對吧？

還有一件事：語法...

稍後，我將向你展示一些最佳實踐，以及如何保持 SQL 查詢的清潔和高效，但在第一篇文章中，我僅強調兩件事情：

1. 所有的查詢都應以分號（;）結尾。如果你不小心錯過了，SQL 將期望您繼續查詢，不會在屏幕上返回任何內容。例如：
   postgres=> SELECT * FROM zoo
   postgres->
   這不是很好...這樣更好：
   postgres=> SELECT * FROM zoo;

2. 當談到SQL關鍵字（SELECT，WHERE，LIMIT等），SQL 並不區分大小寫。例如：
   SELECT * FROM zoo;
   工作原理如下：
   select * from zoo;表名，列名和值的區分大小寫是你設置的問題。在我們當前的設置（使用postgreSQL）中，表名和列名不區分大小寫，但是欄位值是。例如。
   SELECT * FROM zoo WHERE animal = "elephant";–? WORKS
   SELECT * FROM ZOO WHERE ANIMAL = "elephant";–? WORKS
   SELECT * FROM ZOO WHERE ANIMAL = "ELEPHANT";–? DOES NOT WORK

請注意，按照慣例上大多數人使用大寫 SQL 關鍵字（SELECT，WHERE，LIMIT等）。它有助於閱讀你的代碼。

結論

相當不錯的學習和使用 SQL 進行數據分析！恭喜！現在你可以寫你的第一個非常基本的 SQL 查詢...但這只是開始！讓我們繼續下一集，並學習如何使用 WHERE 從句從數據集中過濾東西。

如果你不想錯過下一集,並且也想獲得有關即將到來的網路研討會的信息，請訂閱我的每周通訊

推薦閱讀：