首页
学习
活动
专区
工具
TVP
发布

如何准备一场成功的SQL面试?

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:

  1. FROM, JOIN
  2. WHERE
  3. GROUP BY
  4. HAVING
  5. SELECT
  6. DISTINCT
  7. ORDER BY
  8. 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

  • 发表于:
  • 本文为 InfoQ 中文站特供稿件
  • 首发地址https://www.infoq.cn/article/fqEAvFfISfKthSIf4FZf
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券