第二章 SQL基础回顾：数据库、表、select查询归纳总结

说实话，每次带新人做团伙识别项目，总有人上来就写千行大SQL，结果连表结构都没看全。我自己的习惯是，不管多复杂的图谱特征衍生，先回去把SQL基础捋一遍。这一章我们就快速过一下数据库、表、SELECT这三样东西，不是给你讲语法手册，而是把项目里最常用、最容易踩坑的点拎出来。

2.1 数据库与表——不只是“存数据”

数据库是什么？说白了就是一个有组织的数据容器。在团伙识别场景里，我们通常用的就是关系型数据库（PostgreSQL、MySQL 居多）。表就是二维结构，行叫记录，列叫字段。

我记得有一次项目，合作方把电话号码存在同一个字段里，用逗号分隔。我问为什么不拆成单独的表？对方说“这样查询快”。嗯，你想想看，团伙识别要频繁做聚类、关联，这种反范式设计直接导致后续SQL写得像噩梦。所以我的建议是：遵循至少第三范式，针对分析场景合理冗余，但不要为了“省事”把多值塞进一个字段。

术语	解释	团伙识别中的例子
数据库（Database）	数据集合的容器，对应一个项目或业务域	gang_analysis 库
表（Table）	具有相同结构的数据行集合	call_records 表，存放通话记录
字段（Column）	表的属性列	caller_id, callee_id, duration
记录（Row）	表的一行数据	某一次通话的具体数据

建表的时候，主键、外键、索引是怎么设计的，直接影响后面图谱特征衍生性能。我见过有人把全表扫描当成常态，结果亿级表跑特征跑了三天。所以，花10分钟做好表设计，比后面花10小时调优划算得多。

2.2 SELECT 查询——从数据到信息的桥梁

SELECT 语句是你与数据对话的工具。多数人只记得基本语法，但核心是理解它的执行顺序。很多人写得很长，结果数据量和预期完全不一样，就是没搞清楚 SQL 到底先干哪一步。

我习惯用这张顺序表来帮自己和团队记牢：

步骤	关键字	作用
1	FROM + JOIN	确定数据源，做表关联
2	WHERE	行级过滤，删掉不满足条件的记录
3	GROUP BY	分组，聚合计算的基础
4	HAVING	分组后过滤，对聚合结果做筛选
5	SELECT 子句	投影列，计算表达式
6	DISTINCT	去重（实际上在SELECT之后执行）
7	ORDER BY	排序
8	LIMIT / OFFSET	限制返回行数

注意：你写的 HAVING 条件里引用的别名，必须是在 SELECT 中已经定义过的，因为 HAVING 执行在 SELECT 投影之后；而 WHERE 里不能用聚合后的别名，因为那时还没聚合。这个坑，我见过不下五次。

来看一个团伙识别的简单例子：统计每个号码作为主叫的通话次数，只保留通话次数大于 5 的号码。

SELECT 
    caller_id,
    COUNT(*) AS call_count
FROM call_records
WHERE callee_id IS NOT NULL
GROUP BY caller_id
HAVING COUNT(*) > 5
ORDER BY call_count DESC;

这个查询里，WHERE 先过滤掉无效被叫，然后按主叫分组，HAVING 只保留高频主叫，最后降序排列。每一步都按上面的顺序来的，心里有数，就不会犯「在 WHERE 里用聚合函数」之类的错。

2.3 常用函数与聚合——把数据转换成特征

团伙识别特征的源头，基本就是各种聚合函数、窗口函数以及字符串/日期函数。这里我只挑最常用的几个列个表，后面章节会深入讲它们的组合用法。

函数类别	函数示例	用途举例（团伙场景）
聚合函数	COUNT(), SUM(), AVG(), MAX(), MIN()	统计每个节点出现的次数、金额总和、平均通话时长
字符串函数	CONCAT(), SUBSTRING(), REPLACE()	拼接识别号、截取地区编码、清洗脏数据
日期函数	DATE_TRUNC(), EXTRACT(), DATEDIFF()	按天/周聚合行为、计算周期
窗口函数	ROW_NUMBER(), RANK(), LAG(), LEAD()	排序、前后事件间隔、团伙内排名

注意：COUNT(*) 和 COUNT(1) 没区别，但 COUNT(column) 会忽略 NULL。写聚合前一定要确认字段里有没有 NULL，不然结果少一行都不知道。

2.4 多表关联——图谱的骨架

团伙识别本质就是发现实体间的关联。多表关联用得最多的就是 INNER JOIN 和 LEFT JOIN。我见过一个项目，用笛卡尔积 CROSS JOIN 做关联，结果数据直接指数级爆炸。所以，关联必须有明确的条件。

举个例子，把通话记录表和用户基本信息表关联，捞取主叫的注册地区：

SELECT 
    c.caller_id,
    u.region,
    COUNT(*) AS call_cnt
FROM call_records c
INNER JOIN user_info u ON c.caller_id = u.user_id
WHERE c.call_date >= '2024-01-01'
GROUP BY c.caller_id, u.region;

这个查询里，关联条件在 ON 里，过滤在 WHERE 里，分组在 GROUP BY 里，逻辑清晰。如果先 WHERE 再 JOIN，性能通常比先 JOIN 再 WHERE 差（大多数优化器会智能调整，但写清楚更不容易出错）。

这张流程图把 SELECT 语句里每一步的先后顺序标清楚了。后面我们做图谱特征衍生时，每一步想做什么、数据在经过哪一步后变成什么样子，心里就能有个谱。