Вопросы на собеседовании: Аналитик данных

Базовый оператор SELECT извлекает данные из одной или нескольких таблиц.

• FROM задаёт исходную таблицу, а WHERE фильтрует отдельные строки.
• GROUP BY формирует группы, а HAVING фильтрует их после агрегации.
• ORDER BY сортирует результат, а LIMIT ограничивает число возвращаемых строк.
• Логический порядок частей запроса помогает понять результат и правильно разместить фильтры.

WHERE фильтрует строки до группировки, а HAVING фильтрует агрегированные группы.

• WHERE country = 'DE' оставляет только строки по Германии до агрегации.
• HAVING SUM(revenue) > 1000 оставляет группы с суммой больше 1000.
• На этапе выполнения WHERE агрегатных значений ещё не существует.
• Условия по строкам задают в WHERE, а условия по агрегатам в HAVING.

GROUP BY объединяет строки с одинаковыми значениями, чтобы рассчитывать агрегаты по каждой группе.

• Группировка заказов по customer_id создаёт одну итоговую группу на клиента.
• После этого SUM(amount) может посчитать суммарные траты каждого клиента.
• Без GROUP BY агрегат рассчитывается по всему набору результатов.
• Колонки в SELECT должны входить в группировку или агрегатную функцию.

INNER JOIN оставляет только совпавшие строки, а LEFT JOIN сохраняет все строки левой таблицы.

• INNER JOIN удаляет строки слева, для которых нет совпадения справа.
• LEFT JOIN заполняет правые колонки значениями NULL, если совпадения нет.
• Клиент без заказов исчезнет из результата INNER JOIN.
• Неверно выбранный JOIN может незаметно изменить количества и суммы.

Чтобы найти топ-10 клиентов, нужно агрегировать выручку по клиентам и отсортировать её по убыванию.

• Выбираем customer_id и SUM(amount) из таблицы orders.
• Группируем по customer_id, чтобы получить одну сумму выручки на клиента.
• Сортируем алиас выручки по убыванию и применяем LIMIT 10.
• Перед финальным рейтингом уточняем, считать выручку до или после возвратов.

Подсчёт всех строк учитывает каждую строку, а COUNT(column) не учитывает NULL в указанной колонке.

• Результаты совпадут, только если в выбранной колонке нет NULL.
• После LEFT JOIN клиент без заказов всё равно даёт одну присоединённую строку.
• COUNT(orders.id) корректно вернёт для такого клиента ноль заказов.
• Подсчёт всех присоединённых строк незаметно завысил бы результат.

Основные агрегатные функции сводят множество строк к полезным статистикам.

• COUNT считает строки или значения не NULL, а SUM складывает числа.
• AVG вычисляет среднее арифметическое, а MIN и MAX возвращают крайние значения.
• GROUP BY рассчитывает эти показатели отдельно для категорий, например стран.
• Все стандартные агрегаты, кроме подсчёта всех строк, пропускают NULL.

DISTINCT удаляет дубликаты из результата и оставляет каждую комбинацию выбранных значений один раз.

• Он применяется ко всей комбинации выбранных колонок, а не только к первой.
• SELECT DISTINCT для одной колонки возвращает её уникальные значения.
• COUNT(DISTINCT customer_id) считает уникальных покупателей, а не заказы.
• Используйте DISTINCT осознанно, поскольку он может скрыть созданные запросом дубликаты.

ORDER BY последовательно сортирует данные по каждой перечисленной колонке.

• Первая колонка задаёт основной порядок, а следующие разрешают равенства.
• По умолчанию сортировка идёт по возрастанию, а DESC меняет её на убывание.
• ORDER BY country, revenue DESC ранжирует выручку внутри каждой страны.
• Без ORDER BY база данных не гарантирует порядок строк.

NULL обозначает отсутствующее или неизвестное значение в SQL, а не ноль или пустую строку.

• Сравнение через знак равенства с NULL не даёт истинного результата.
• Для поиска пропусков используют IS NULL, а для их исключения IS NOT NULL.
• NULL может влиять на совпадения в JOIN и результаты агрегатов.
• Перед выводами проверяйте долю NULL в ключевых колонках.

Дубликаты можно найти группировкой по колонкам, которые должны быть уникальными.

• Группируем по предполагаемому ключу, например email, и считаем строки.
• Через HAVING оставляем значения, для которых COUNT больше единицы.
• Результат покажет каждый задублированный ключ и частоту его появления.
• Для просмотра полных строк присоединяем результат обратно или используем ROW_NUMBER.

Подзапрос представляет собой SQL-запрос, вложенный в другой запрос.

• В зависимости от задачи он может находиться в FROM, WHERE или SELECT.
• Например, с ним можно сравнить траты каждого клиента с рассчитанным внутри средним.
• Подзапросы удобны для короткой одноразовой логики.
• Если вложенность мешает чтению, лучше заменить её на CTE.

CTE представляет собой именованный временный результат, объявленный через WITH для использования в основном запросе.

• Он позволяет читать сложный запрос как последовательность понятных шагов.
• В одном CTE можно очистить данные, а в следующем агрегировать их.
• Основной запрос обращается к каждому CTE почти как к таблице.
• Структура сверху вниз упрощает отладку и код-ревью.

UNION и UNION ALL вертикально объединяют результаты запросов с совместимой структурой.

• Каждый запрос должен возвращать одинаковое число колонок совместимых типов.
• UNION удаляет дубликаты строк из общего результата.
• UNION ALL сохраняет все строки и не тратит ресурсы на дедупликацию.
• Выбирайте UNION ALL, если пересечение невозможно или дубликаты имеют смысл.

LIKE фильтрует текст, сопоставляя его с шаблоном.

• Знак процента соответствует любой последовательности символов.
• Знак подчёркивания соответствует ровно одному символу.
• Шаблон, оканчивающийся на @gmail.com, позволяет найти адреса Gmail.
• Для поиска без учёта регистра используйте ILIKE или текст в нижнем регистре.

CASE WHEN добавляет условную логику в SQL-выражение.

• С его помощью суммы можно разметить как малые, средние или крупные.
• Он позволяет считать условные итоги, возвращая сумму только для оплаченных строк.
• ELSE обрабатывает строки, не подошедшие ни под одно условие.
• CASE можно использовать в SELECT, WHERE, GROUP BY и ORDER BY.

Первичный ключ идентифицирует каждую строку, а внешний связывает строки через ключ, на который ссылается.

• Первичный ключ должен быть уникальным и не содержать NULL ни в одной строке.
• Внешний ключ ссылается на первичный ключ или ключ с ограничением UNIQUE, часто в другой таблице.
• Значения внешнего ключа могут повторяться и быть NULL, если это не запрещено дополнительными ограничениями; orders.customer_id может ссылаться на customers.id.
• По этим ограничениям аналитик понимает пути соединения, кардинальность связей и гранулярность таблиц.

Повторяющиеся ключи соединения могут привести к тому, что JOIN вернёт больше строк, чем любая из исходных таблиц.

• SQL возвращает каждую совпавшую пару, а не одну строку на исходную запись.
• Если ключ встречается дважды слева и трижды справа, JOIN вернёт шесть совпавших строк.
• Агрегация повторившихся сумм после такого соединения может завысить выручку или другие итоги.
• До соединения проверяйте уникальность ключей и ожидаемую кардинальность связи, а после него сравнивайте число строк.

Для выбора последних 30 дней колонку с датой сравнивают с текущей датой минус 30-дневный интервал.

• В PostgreSQL можно написать order_date >= CURRENT_DATE - INTERVAL '30 days'.
• В MySQL и BigQuery синтаксис вычитания дат отличается.
• До фильтрации уточните, хранится в поле дата или таймстемп.
• Проверьте часовой пояс и правила границ, чтобы включить нужные дни.

IN проверяет принадлежность списку, а BETWEEN проверяет включающий диапазон.

• IN читается лучше нескольких OR для значений вроде кодов стран.
• BETWEEN 10 AND 100 включает и 10, и 100.
• Включённые границы удобны для простых числовых диапазонов.
• Для таймстемпов лучше явно задать включённое начало и исключённый конец.