Моя большая практическая шпаргалка SQL (SQLite) с готовыми запросами

Опубликовано Фев 10, 2024

Уровень сложности Средний Время на прочтение 54 мин Количество просмотров 11K Python *SQL *SQLite *

Привет, Хабр)

Публикую шпаргалку по SQL, которая долгое время помогала мне, да и сейчас я периодически в неё заглядываю.

Все примеры изначально писались для СУБД SQLite, но почти всё из этого применимо также и к другим СУБД.

Вначале идут очень простые запросы, с них можно начать новичкам. Если хочется чего-то более интересного — листайте вниз. Здесь есть и примеры довольно сложных запросов с агрегирующими функциями, триггерами, длинными подзапросами, с оконными функциями. Помимо этого, часть примеров посвящена работе с SQL в Python при помощи библиотечек sqlite3, pandas, polars. Этот список запросов с комментариями можно использовать как наглядное пособие для изучения SQL.

Большинство советов я публиковал в своем канале по анализу данных, где вы найдете большое количество советов, инструментов и примеров с кодом. А здесь большая полезная папка, которую я собрал в которой куча полезного для работы с данными.

Кстати, все эти примеры SQL заботливо собраны в одной папке, можете скачать её и экспериментировать локально. После скачивания и разархивирования, у вас будет 3 группы файлов:

./db/*.db — базы данных SQLite, которые используются в примерах ниже
./src/*.* — SQL-запросы, сценарии Python
./out/*.* — ожидаемый результат для примеров

Поехали!

Выбираем все значения из таблички
Дополнительные команды SQL
Выбираем нужные столбцы
Сортировка
Ограничение выводимых записей
Ещё некоторые параметры вывода
Удаляем дубликаты
Фильтруем результаты
Более сложные условия фильтрации
Некоторые математические действия
Переименовываем столбцы
Подсчёт с пропущенными значениями
Вывод с условием при помощи WHERE
Условие с отрицанием
Выбираем NULL значения
Агрегирование в SQL
Распространённые агрегирующие функции в SQL
Подсчёт значений при помощи COUNT
Группировка
Как себя ведут неагрегированные столбцы
Выбор нужных столбцов для агрегирования
Фильтрация агрегированных значений
Читабельный вывод
Фильтрация входных данных
Создание табличек
Вставляем данные
Обновляем строки
Удаляем строки
Резервное копирование
Объединение табличек при помощи JOIN
INNER JOIN
Агрегирование объединённых через JOIN записей
LEFT JOIN
Агрегирование данных, собранных через LEFT JOIN
Объединение значений
SELECT DISTINCT и условие WHERE
Использование набора в условии WHERE при помощи IN
Подзапросы
Автоикремент и PRIMARY KEY
Изменение таблички при помощи ALTER
Создание новой таблички на базе старой
Удаление таблички
Сравнение отдельных значений с агрегированными
Сравнение отдельных значений с агрегированными внутри групп
CTE — табличные выражения
Смотрим план запроса с помощью EXPLAIN
Нумеруем строки
Условия if-else
Выбираем с помощью SELECT и CASE
Работаем с диапазоном значений
Ищем по фрагменту с помощью LIKE
Выбираем первую и последнюю строки
Пересечение отдельных табличек
Исключение
Случайные значения в SQL
Создание индексов
Генерация последовательности значений
Генерируем последовательность на основе данных
Генерация последовательностей дат
Подсчитываем количество значений за день, без пропусков
JOIN таблички с собой же
Генерируем уникальные пары значений
Фильтрация пар
EXISTS
NOT EXISTS в SQL
Опережение и отставание
Оконные функции
Используем PARTITION BY в SQL
Данные типа blob
Сохранение JSON
Выбираем отдельные поля в JSON
Доступ к JSON-объекту
Распаковка JSON
Последний элемент в массиве
Модифицируем JSON
Immediate If в SQL
Представление VIEW в SQL
Добавляем проверку CHECK
TRANSACTION в SQL
ROLLBACK в SQL
Откат с помощью ROLLBACK
Вставка значений
Создание триггера
Рекурсивный запрос
Продолжаем работать с bi_contact
Обновляем идентификаторы групп
Рекурсивно устанавливаем метки
Работа с SQL в Python при помощи sqlite3
Инкрементная выборка
Простые операции CREATE, INSERT, DELETE и другие с помощью sqlite3
Интерполируем значения
Выполнение полноценных SQL-запросов в Python
Исключения SQLite в Python
Python и SQLite, ещё некоторые возможности
Работа с датой и временем
SQL в Jupyter Notebooks
Pandas и SQL
Polars и SQL
ORM
Продолжаем работать с ORM
The end

Содержание статьи:

1 Выбираем все значения из таблички
2 Дополнительные команды SQL
3 Выбираем нужные столбцы
4 Сортировка
5 Ограничение выводимых записей
6 Ещё некоторые параметры вывода
7 Удаляем дубликаты
8 Фильтруем результаты
9 Более сложные условия фильтрации
10 Некоторые математические действия
11 Переименовываем столбцы
12 Подсчёт с пропущенными значениями
13 Вывод с условием при помощи WHERE
14 Условие с отрицанием
15 Выбираем NULL значения
16 Агрегирование в SQL
17 Распространённые агрегирующие функции в SQL
18 Подсчёт значений при помощи COUNT
19 Группировка
20 Как себя ведут неагрегированные столбцы
21 Выбор нужных столбцов для агрегирования
22 Фильтрация агрегированных значений
23 Читабельный вывод
24 Фильтрация входных данных
25 Создание табличек
26 Вставляем данные
27 Обновляем строки
28 Удаляем строки
29 Резервное копирование
30 Объединение табличек при помощи JOIN
31 INNER JOIN
32 Агрегирование объединённых через JOIN записей
33 LEFT JOIN
34 Агрегирование данных, собранных через LEFT JOIN
35 Объединение значений
36 SELECT DISTINCT и условие WHERE
37 Использование набора в условии WHERE при помощи IN
38 Подзапросы
39 Автоикремент и PRIMARY KEY
40 Изменение таблички при помощи ALTER
41 Создание новой таблички на базе старой
42 Удаление таблички
43 Сравнение отдельных значений с агрегированными
44 Сравнение отдельных значений с агрегированными внутри групп
45 CTE — табличные выражения
46 Смотрим план запроса с помощью EXPLAIN
47 Нумеруем строки
48 Условия if-else
49 Выбираем с помощью SELECT и CASE
50 Работаем с диапазоном значений
51 Ищем по фрагменту с помощью LIKE
52 Выбираем первую и последнюю строки
53 Пересечение отдельных табличек
54 Исключение
55 Случайные значения в SQL
56 Создание индексов
57 Генерация последовательности значений
58 Генерируем последовательность на основе данных
59 Генерация последовательностей дат
60 Подсчитываем количество значений за день, без пропусков
61 JOIN таблички с собой же
62 Генерируем уникальные пары значений
63 Фильтрация пар
64 EXISTS
65 NOT EXISTS в SQL
66 Опережение и отставание
67 Оконные функции
68 Используем PARTITION BY в SQL
69 Данные типа blob
70 Сохранение JSON
71 Выбираем отдельные поля в JSON
72 Доступ к JSON-объекту
73 Распаковка JSON
74 Последний элемент в массиве
75 Модифицируем JSON
76 Immediate If в SQL
77 Представление VIEW в SQL
78 Добавляем проверку CHECK
79 TRANSACTION в SQL
80 ROLLBACK в SQL
81 Откат с помощью ROLLBACK
82 Вставка значений
83 Создание триггера
84 Рекурсивный запрос
85 Продолжаем работать с bi_contact
86 Обновляем идентификаторы групп
87 Рекурсивно устанавливаем метки
88 Работа с SQL в Python при помощи sqlite3
89 Инкрементная выборка
90 Простые операции CREATE, INSERT, DELETE и другие с помощью sqlite3
91 Интерполируем значения
92 Выполнение полноценных SQL-запросов в Python
93 Исключения SQLite в Python
94 Python и SQLite, ещё некоторые возможности
95 Работа с датой и временем
96 SQL в Jupyter Notebooks
97 Pandas и SQL
98 Polars и SQL
99 ORM
100 Продолжаем работать с ORM
101 The end

Выбираем все значения из таблички

SELECT * FROM little_penguins; Adelie|Dream|37.2|18.1|178|3900|MALE Adelie|Dream|37.6|19.3|181|3300|FEMALE Gentoo|Biscoe|50|15.3|220|5550|MALE Adelie|Torgersen|37.3|20.5|199|3775|MALE Adelie|Biscoe|39.6|17.7|186|3500|FEMALE Gentoo|Biscoe|47.7|15|216|4750|FEMALE Adelie|Dream|36.5|18|182|3150|FEMALE Gentoo|Biscoe|42|13.5|210|4150|FEMALE Adelie|Torgersen|42.1|19.1|195|4000|MALE Gentoo|Biscoe|54.3|15.7|231|5650|MALE

ничего особенного, выбираем все записи из таблички little_penguins

Дополнительные команды SQL

src/admin_commands.sql

.headers on .mode markdown SELECT * FROM little_penguins;

out/admin_commands.out

| species | island | bill_length_mm | bill_depth_mm | flipper_length_mm | body_mass_g | sex | |———|————|—————-|—————|——————-|————-|———| | Adelie | Dream | 37.2 | 18.1 | 178 | 3900 | MALE | | Adelie | Dream | 37.6 | 19.3 | 181 | 3300 | FEMALE | | Gentoo | Biscoe | 50 | 15.3 | 220 | 5550 | MALE | | Adelie | Torgersen | 37.3 | 20.5 | 199 | 3775 | MALE | | Adelie | Biscoe | 39.6 | 17.7 | 186 | 3500 | FEMALE | | Gentoo | Biscoe | 47.7 | 15 | 216 | 4750 | FEMALE | | Adelie | Dream | 36.5 | 18 | 182 | 3150 | FEMALE | | Gentoo | Biscoe | 42 | 13.5 | 210 | 4150 | FEMALE | | Adelie | Torgersen | 42.1 | 19.1 | 195 | 4000 | MALE | | Gentoo | Biscoe | 54.3 | 15.7 | 231 | 5650 | MALE |

включаем заголовки и режим markdown; в SQLite подобные команды начинаются с ., а в PostgreSQL с
кстати, для просмотра дополнительной инфы или чтобы узнать, какие команды есть, используйте .help

Выбираем нужные столбцы

src/specify_columns.sql

SELECT species, island, sex FROM little_penguins;

out/specify_columns.out

выбираем колонки species, island, sex из таблички little_penguins

Сортировка

src/sort.sql

SELECT species, sex, island FROM little_penguins ORDER BY island ASC, sex DESC;

out/sort.out

выбираем столбцы species, island, sex из таблички little_penguins
сортируем все значения из island в возрастающем порядке (от A к Z)
строки с одинаковыми значениями island дополнительно сортируем по их значениям sex в обратном порядке, от большего к меньшему (от Z к A)

Ограничение выводимых записей

src/limit.sql

SELECT species, sex, island FROM penguins ORDER BY species, sex, island LIMIT 10;

out/limit.out

выбираем столбцы species, sex, island из таблички penguins
сортируем по species в порядке возрастания, строки с одинаковым значением species сортируются по sex, с одинаковым sex дополнительно сортируются по island
ну и выводим только первые 10 строк

Ещё некоторые параметры вывода

src/page.sql

SELECT species, sex, island FROM penguins ORDER BY species, sex, island LIMIT 10 OFFSET 3;

out/page.out

OFFSET указывается после LIMIT и позволяет пропустить сколько-то первых строк, в данном случае пропущены 3 первых строки

Удаляем дубликаты

src/distinct.sql

SELECT DISTINCT species, sex, island FROM penguins;

out/distinct.out

SELECT DISTINCT — выбираем уникальные комбинации из столбцов species, sex, island

Фильтруем результаты

src/filter.sql

SELECT DISTINCT species, sex, island FROM penguins WHERE island = ‘Biscoe’;

out/filter.out

выбираем уникальные комбинации значений species, sex, island из penguins, где значения поля island равно Biscoe

Более сложные условия фильтрации

src/filter_and.sql

SELECT DISTINCT species, sex, island FROM penguins WHERE island = ‘Biscoe’ AND sex != ‘MALE’;

out/filter_and.out

выбираем уникальные комбинации значений species, sex, island из penguins, где значения поля island равно Biscoe, а значения поля sex не равно MALE

Некоторые математические действия

src/calculations.sql

SELECT flipper_length_mm / 10.0, body_mass_g / 1000.0 FROM penguins LIMIT 3;

out/calculations.out

| flipper_length_mm / 10.0 | body_mass_g / 1000.0 | |—————————|———————-| | 18.1 | 3.75 | | 18.6 | 3.8 | | 19.5 | 3.25 |

выводим 3 первых строки значений flipper_length_mm, делённых на 10.0, и значений body_mass_g, делённых на 1000.0

Переименовываем столбцы

src/rename_columns.sql

SELECT flipper_length_mm / 10.0 AS flipper_cm, body_mass_g / 1000.0 AS weight_kg, island AS where_found FROM penguins LIMIT 3;

out/rename_columns.out

| flipper_cm | weight_kg | where_found | |————|————|————-| | 18.1 | 3.75 | Torgersen | | 18.6 | 3.8 | Torgersen | | 19.5 | 3.25 | Torgersen |

делим значения flipper_length_mm на 10.0, делим значения body_mass_g на 1000.0
переименовываем столбцы flipper_length_mm — в flipper_cm, body_mass_g — в weight_kg, island — в where_found
выводим первые 3 строки

Взаимосвязь рассмотренных понятий SQL можно показать так:

dios_1

Подсчёт с пропущенными значениями

src/show_missing_values.sql

SELECT flipper_length_mm / 10.0 AS flipper_cm, body_mass_g / 1000.0 AS weight_kg, island AS where_found FROM penguins LIMIT 5;

out/show_missing_values.out

| flipper_cm | weight_kg | where_found | |————|————|————-| | 18.1 | 3.75 | Torgersen | | 18.6 | 3.8 | Torgersen | | 19.5 | 3.25 | Torgersen | | | | Torgersen | | 19.3 | 3.45 | Torgersen |

делим значения из flipper_length_mm на 10, затем присваиваем результаты новому столбцу flipper_cm
делим значения из столбца body_mass_g на 1000 и затем присваивание результатов новому столбцу weight_kg
переименовываем island в where_found

Вывод с условием при помощи WHERE

src/filter.sql

SELECT DISTINCT species, sex, island FROM penguins WHERE island = ‘Biscoe’;

out/filter.out

выбираем столбцы species, sex, island
выводим все записи из penguins, где значение island равно ‘Biscoe’

src/null_equality.sql

SELECT DISTINCT species, sex, island FROM penguins WHERE island = ‘Biscoe’ AND sex = ‘FEMALE’;

out/null_equality.out

выводим все записи из penguins, где значение island равно ‘Biscoe’ и значение sex равно ‘FEMALE’

Условие с отрицанием

условие с оператором отрицания != тоже без проблем работает

src/null_inequality.sql

SELECT DISTINCT species, sex, island FROM penguins WHERE island = ‘Biscoe’ AND sex != ‘FEMALE’;

out/null_inequality.out

Выбираем NULL значения

src/safe_null_equality.sql

SELECT species, sex, island FROM penguins WHERE sex IS NULL;

out/safe_null_equality.out

выбираем строки со значениями species, sex, island из таблички penguins, где значения sex нет (NULL)

Вот так можно показать связь понятий SQL, которые мы рассмотрели выше:

dios_2

Агрегирование в SQL

src/simple_sum.sql

SELECT sum(body_mass_g) AS total_mass FROM penguins;

out/simple_sum.out

| total_mass | |————| | 1437000 |

суммируем все значения колонки body_mass_g, сохраняем в новый столбец total_mass

Распространённые агрегирующие функции в SQL

src/common_aggregations.sql

SELECT MAX(bill_length_mm) AS longest_bill, MIN(flipper_length_mm) AS shortest_flipper, AVG(bill_length_mm) / AVG(bill_depth_mm) AS weird_ratio FROM penguins;

out/common_aggregations.out

| longest_bill | shortest_flipper | weird_ratio | |—————|——————|——————| | 59.6 | 172 | 2.56087082530644 |

находим максимальное значение из столбца bill_length_mm, записываем это значение как longest_bill
аналогично находим минимальное из flipper_length_mm, находим среднее из bill_length_mm, среднее из bill_depth_mm

Подсчёт значений при помощи COUNT

src/count_behavior.sql

SELECT COUNT(*) AS count_star, COUNT(sex) AS count_specific, COUNT(DISTINCT sex) AS count_distinct FROM penguins;

out/count_behavior.out

| count_star | count_specific | count_distinct | |————|—————-|—————-| | 344 | 333 | 2 |

COUNT(*) — считаем все значения из count_star
COUNT(sex) — считаем все значения из столбца sex
COUNT(DISTINCT sex) — считаем уникальные значения из sex (очевидно их 2: MALE, FEMALE)
записываем эти 3 числа как count_star, count_specific, count_distinct соответственно

Группировка

src/simple_group.sql

SELECT AVG(body_mass_g) AS average_mass_g FROM penguins GROUP BY sex;

out/simple_group.out

| average_mass_g | |——————| | 4005.55555555556 | | 3862.27272727273 | | 4545.68452380952 |

из таблички penguins находим среднее всех значений body_mass_g, сохраняем как average_mass_g
группируем по значениям sex (группы FEMALE, MALE, NULL)

Как себя ведут неагрегированные столбцы

src/unaggregated_columns.sql

SELECT sex, AVG(body_mass_g) AS average_mass_g FROM penguins GROUP BY sex;

out/unaggregated_columns.out

| sex | average_mass_g | |———|——————| | | 4005.55555555556 | | FEMALE | 3862.27272727273 | | MALE | 4545.68452380952 |

для того, чтобы было видно названия отдельных групп, выбираем не только среднее AVG(body_mass_g), но и sex
видим 3 группы: NULL, FEMALE, MALE

Выбор нужных столбцов для агрегирования

src/arbitrary_in_aggregation.sql

SELECT sex, body_mass_g FROM penguins GROUP BY sex;

out/arbitrary_in_aggregation.out

| sex | body_mass_g | |———|————-| | | | | FEMALE | 3800 | | MALE | 3750 |

здесь у нас популярная ошибка, мы просто выбираем body_mass_g, а не находим среднее, поэтому SQL выбирает любые значения из body_mass_g. Аккуратнее)

Фильтрация агрегированных значений

src/filter_aggregation.sql

SELECT sex, AVG(body_mass_g) AS average_mass_g FROM penguins GROUP BY sex HAVING average_mass_g > 4000.0;

out/filter_aggregation.out

| sex | average_mass_g | |——|——————| | | 4005.55555555556 | | MALE | 4545.68452380952 |

здесь мы используем HAVING вместо WHERE (эффект тот же самый), оставляем только те значения из average_mass_g, которые больше 4000

Читабельный вывод

src/readable_aggregation.sql

SELECT sex, ROUND(AVG(body_mass_g), 1) AS average_mass_g FROM penguins GROUP BY sex HAVING average_mass_g > 4000.0;

out/readable_aggregation.out

| sex | average_mass_g | |——|—————-| | | 4005.6 | | MALE | 4545.7 |

округляем среднее AVG(body_mass_g до 1 знака после запятой, используя ROUND

Фильтрация входных данных

src/filter_aggregate_inputs.sql

SELECT sex, ROUND( AVG(body_mass_g) FILTER (WHERE body_mass_g < 4000.0), 1) AS average_mass_g FROM penguins GROUP BY sex;

out/filter_aggregate_inputs.out

| sex | average_mass_g | |———|—————-| | | 3362.5 | | FEMALE | 3417.3 | | MALE | 3752.5 |

при помощи FILTER мы находим среднее только тех значений body_mass_g, которые меньше 4000
округляем до 1 знака после запятой, сохраняем в столбец average_mass_g
группируем по sex

Вот так выглядит связь основных понятий, которые мы только что обсуждали:

dios_3

Кстати, вот так выглядит создание БД в оперативной памяти:

src/in_memory_db.sh

sqlite3 :memory:

запускаем интерактивную оболочку SQLite, создаём новую базу данных в оперативной памяти для более быстрой работы

Создание табличек

src/create_work_job.sql

CREATE TABLE job (name text NOT NULL, billable real NOT NULL); CREATE TABLE work (person text NOT NULL, job text NOT NULL);

создаём таблицу job со столбцами: name — столбец текстовых значений, не может быть пустым (NOT NULL), billable — содержит вещественные числа, не может быть пустым
создаём табличку work со столбцами: person — текстовый, не может быть пустым, job — текстовый, не может быть пустым

Вставляем данные

src/populate_work_job.sql

INSERT INTO job VALUES (‘calibrate’, 1.5), (‘clean’, 0.5); INSERT INTO work VALUES (‘mik’, ‘calibrate’), (‘mik’, ‘clean’), (‘mik’, ‘complain’), (‘po’, ‘clean’), (‘po’, ‘complain’), (‘tay’, ‘complain’);

out/insert_values.out

| name | billable | |————|———-| | calibrate | 1.5 | | clean | 0.5 | | person | job | |———|————| | mik | calibrate | | mik | clean | | mik | complain | | po | clean | | po | complain | | tay | complain |

ничего особенного, заполняем табличку job парами name-billable, и так же заполняем табличку work парами person-job

Обновляем строки

src/update_work_job.sql

UPDATE work SET person = «tae» WHERE person = «tay»;

out/update_rows.out

| person | job | |———|————| | mik | calibrate | | mik | clean | | mik | complain | | po | clean | | po | complain | | tae | complain |

меняем все записи «tay» на «tae»

Удаляем строки

src/delete_rows.sql

DELETE FROM work WHERE person = «tae»; SELECT * FROM work;

out/delete_rows.out

| person | job | |———|————| | mik | calibrate | | mik | clean | | mik | complain | | po | clean | | po | complain |

удаляем все строки, где значение person равно «tae»

Резервное копирование

src/backing_up.sql

CREATE TABLE backup (person text NOT NULL, job text NOT NULL); INSERT INTO backup SELECT person, job FROM work WHERE person = ‘tae’; DELETE FROM work WHERE person = ‘tae’; SELECT * FROM backup;

out/backing_up.out

| person | job | |———|———-| | tae | complain |

создаём табличку backup c текстовыми столбцами person и job
помещаем внутрь backup значения столбцов person и job из таблицы work, где значения столбца person равно ‘tae’
удаляем из work все записи со значением person равным ‘tae’
отображаем записи таблички backup

Вот так выглядит связь основных понятий, которые мы только что обсуждали:

dios_4

Объединение табличек при помощи JOIN

src/cross_join.sql

SELECT * FROM work CROSS JOIN job;

out/cross_join.out

| person | job | name | billable | |———|————|————|———-| | mik | calibrate | calibrate | 1.5 | | mik | calibrate | clean | 0.5 | | mik | clean | calibrate | 1.5 | | mik | clean | clean | 0.5 | | mik | complain | calibrate | 1.5 | | mik | complain | clean | 0.5 | | po | clean | calibrate | 1.5 | | po | clean | clean | 0.5 | | po | complain | calibrate | 1.5 | | po | complain | clean | 0.5 | | tay | complain | calibrate | 1.5 | | tay | complain | clean | 0.5 |

делаем CROSS JOIN для 2 таблиц work и job — все возможные комбинации строк из этих таблиц (если в work 3 строки, а в job 4 строки, то результат будет иметь 4 ⋅ 3 = 12 строк)

INNER JOIN

src/inner_join.sql

SELECT * FROM work INNER JOIN job ON work.job = job.name;

out/inner_join.out

| person | job | name | billable | |———|————|————|———-| | mik | calibrate | calibrate | 1.5 | | mik | clean | clean | 0.5 | | po | clean | clean | 0.5 |

объединяем 2 таблицы work и job — берём те записи, где значение job из work совпадает со значением name из job

Читать на TechLife: Тинькофф банк вернул 200 тысяч. Это был не дипфейк

Агрегирование объединённых через JOIN записей

src/aggregate_join.sql

SELECT work.person, SUM(job.billable) AS pay FROM work INNER JOIN job ON work.job = job.name GROUP BY work.person;

out/aggregate_join.out

| person | pay | |———|——| | mik | 2.0 | | po | 0.5 |

объединяем те строки таблиц work и job, где значение job в таблице work соответствует значению name в job
суммируем значения billable из таблицы job для каждого значения person из таблицы work
группируем результаты по значениям person из work

LEFT JOIN

src/left_join.sql

SELECT * FROM work LEFT JOIN job ON work.job = job.name;

out/left_join.out

| person | job | name | billable | |———|————|————|———-| | mik | calibrate | calibrate | 1.5 | | mik | clean | clean | 0.5 | | mik | complain | | | | po | clean | clean | 0.5 | | po | complain | | | | tay | complain | | |

склеиваем таблицы work и job по соответствующим значениям столбца job
если в таблице work есть строки, для которых нет совпадений в таблице job, то они все равно будут включены в результат с пустыми (NULL) значениями
использование LEFT JOIN гарантирует, что все строки из левой таблицы work будут включены в результат, независимо от наличия совпадающих строк в правой таблице job

Агрегирование данных, собранных через LEFT JOIN

src/aggregate_left_join.sql

SELECT work.person, sum(job.billable) AS pay FROM work LEFT JOIN job ON work.job = job.name GROUP BY work.person;

out/aggregate_left_join.out

| person | pay | |———|——| | mik | 2.0 | | po | 0.5 | | tay | |

вычисляем сумму значений столбца billable из job, сохраняем как pay
используем LEFT JOIN, чтобы гарантированно включить все строки из work в job
группируем по столбцу person из work

Вот так выглядит связь основных понятий, которые мы только что обсуждали:

dios_5

Объединение значений

src/coalesce.sql

SELECT work.person, COALESCE(SUM(job.billable), 0.0) AS pay FROM work LEFT JOIN job ON work.job = job.name GROUP BY work.person;

out/coalesce.out

| person | pay | |———|——| | mik | 2.0 | | po | 0.5 | | tay | 0.0 |

COALESCE используется для замены NULL на 0.0, если сумма billable для данного person равна NULL
LEFT JOIN включает все записи из work и только соответствующие записи из job
группируем по значениям столбца person из work

SELECT DISTINCT и условие WHERE

src/negate_incorrectly.sql

SELECT DISTINCT person FROM work WHERE job != ‘calibrate’;

out/negate_incorrectly.out

| person | |———| | mik | | po | | tay |

выбираем уникальные значения из столбца person, где поле job не равно calibrate

Использование набора в условии WHERE при помощи IN

src/set_membership.sql

SELECT * FROM work WHERE person NOT IN (‘mik’, ‘tay’);

out/set_membership.out

| person | job | |———|———-| | po | clean | | po | complain |

выбираем все строки из work, где person не равно ‘mik’ и не равно ‘tay’

Подзапросы

src/subquery_set.sql

SELECT DISTINCT person FROM work WHERE person not in (SELECT DISTINCT person FROM work WHERE job = ‘calibrate’);

out/subquery_set.out

| person | |———| | po | | tay |

внутренний подзапрос выбирает уникальные значения столбца person из work, где в поле job стоит ‘calibrate’
внешний, главный запрос выбирает те уникальные значения person, где person не равно значениям из внутренного подзапроса

Автоикремент и PRIMARY KEY

src/autoincrement.sql

CREATE TABLE person (ident integer PRIMARY KEY autoincrement, name text NOT NULL); INSERT INTO person VALUES (NULL, ‘mik’), (NULL, ‘po’), (NULL, ‘tay’); SELECT * FROM person; INSERT INTO person VALUES (1, «prevented»);

out/autoincrement.out

| ident | name | |——-|——| | 1 | mik | | 2 | po | | 3 | tay | Runtime error near line 12: UNIQUE constraint failed: person.ident (19)

создаём табличку person с 2 столбцами: ident с целочисленными значениями, name с текстовыми значениями; столбец ident устанавливаем как PRIMARY KEY, включаем автоматическое инкрементирование значений
помещаем в таблицу person 3 пары ident-name
при попытке добавить ещё одну пару (1, «prevented») возникает ошибка, поскольку уже существует строка с indent равным 1

Внутренняя табличка:

src/sequence_table.sql

SELECT * FROM sqlite_sequence;

out/sequence_table.out

| name | seq | |———|——| | person | 3 |

выводим все текущие значения автоинкрементных счетчиков для таблиц в БД SQLite

Изменение таблички при помощи ALTER

src/alter_tables.sql

ALTER TABLE job ADD ident integer NOT NULL DEFAULT -1; UPDATE job SET ident = 1 WHERE name = ‘calibrate’; UPDATE job SET ident = 2 WHERE name = ‘clean’; SELECT * FROM job;

out/alter_tables.out

| name | billable | ident | |————|———-|——-| | calibrate | 1.5 | 1 | | clean | 0.5 | 2 |

добавляем новый столбец ident в табличку job; столбец заполняется целыми числами, не может быть пустым; ставим значение по умолчанию -1 для этого столбца
делаем значение столбца ident равным 1 там, где name равен ‘calibrate’
устанавливаем значение ident равным 2 для строки, где name равен clean

Создание новой таблички на базе старой

src/insert_select.sql

CREATE TABLE new_work (person_id integer NOT NULL, job_id integer NOT NULL, FOREIGN key(person_id) REFERENCES person(ident), FOREIGN key(job_id) REFERENCES job(ident)); INSERT INTO new_work SELECT person.ident AS person_id, job.ident AS job_id FROM (person JOIN work ON person.name = work.person) JOIN job ON job.name = work.job; SELECT * FROM new_work;

out/insert_select.out

| person_id | job_id | |————|———| | 1 | 1 | | 1 | 2 | | 2 | 2 |

создаём таблицу new_work с 2 целочисленными столбцами: person_id и job_id; оба столбца не могут быть пустыми
2 FOREIGN KEY ограничения добавляются, чтобы связать столбцы person_id и job_id новой таблицы new_work с соответствующими столбцами ident в таблицах person и job
добавляем данные в таблицу new_work, используя результат запроса SELECT
FROM (person JOIN work ON person.name = work.person) — данные будут выбраны из результатов соединения таблиц person и work по условию равенства значений столбца name в таблице person и столбца person в таблице work
JOIN job ON job.name = work.job — результаты предыдущего соединения будут дополнительно соединены с таблицей job по условию равенства значений столбца name в таблице job и столбца job в work

Удаление таблички

src/drop_table.sql

DROP TABLE work; ALTER TABLE new_work RENAME TO work;

удаляем work из БД
изменяем имя таблички new_work на work

out/drop_table.out

CREATE TABLE job (ident integer PRIMARY KEY autoincrement, name text NOT NULL, billable real NOT NULL); CREATE TABLE sqlite_sequence(name, seq); CREATE TABLE person (ident integer PRIMARY KEY autoincrement, name text NOT NULL); CREATE TABLE IF NOT EXISTS «work» (person_id integer NOT NULL, job_id integer NOT NULL, FOREIGN key(person_id) REFERENCES person(ident), FOREIGN key(job_id) REFERENCES job(ident));

создаём таблицу job с 3 колонками: ident хранит целые числа, используется в качестве первичного ключа (PRIMARY KEY) и автоматически увеличивается (autoincrement);

name текстовый столбец, не может быть пустым (NOT NULL);

billable — столбец вещественных чисел, не может быть пустым
создаём sqlite_sequence с 2 колонками: name и seq
создаём таблицу person с 2 колонками: ident — хранит целые числа, используется в качестве первичного ключа и автоматически увеличивается (autoincrement), name — хранит текст, не может быть пустым
создаём work с 4 колонками: person_id — хранит целые числа, не может быть пустым; аналогичный столбец job_id
устанавливаем внешние ключи, связывающие person_id с ident в таблице person и job_id с ident в таблице job

Сравнение отдельных значений с агрегированными

src/compare_individual_aggregate.sql

SELECT body_mass_g FROM penguins WHERE body_mass_g > (SELECT AVG(body_mass_g) FROM penguins) LIMIT 5;

out/compare_individual_aggregate.out

| body_mass_g | |————-| | 4675 | | 4250 | | 4400 | | 4500 | | 4650 |

выбираем только те строки, где значение в столбце body_mass_g больше, чем среднее значение body_mass_g по всем строкам в таблице penguins
ну и выводим только первые 5 строк

Сравнение отдельных значений с агрегированными внутри групп

src/compare_within_groups.sql

SELECT penguins.species, penguins.body_mass_g, Round(averaged.avg_mass_g, 1) AS avg_mass_g FROM penguins JOIN (SELECT species, Avg(body_mass_g) AS avg_mass_g FROM penguins GROUP BY species) AS averaged ON penguins.species = averaged.species WHERE penguins.body_mass_g > averaged.avg_mass_g LIMIT 5;

out/compare_within_groups.out

| species | body_mass_g | avg_mass_g | |———|————-|————| | Adelie | 3750 | 3700.7 | | Adelie | 3800 | 3700.7 | | Adelie | 4675 | 3700.7 | | Adelie | 4250 | 3700.7 | | Adelie | 3800 | 3700.7 |

выбираем столбцы species и body_mass_g из таблицы penguins
вычисляем среднюю массу для каждого вида пингвина, округляем до 1 знака после запятой, используя подзапрос, который связывается с исходной таблицей penguins по полю species
используя результаты подзапроса, фильтруем только те записи, где масса пингвина больше средней массы для его вида
выводим только первые 5 записей

CTE — табличные выражения

src/common_table_expressions.sql

WITH grouped AS (SELECT species, avg(body_mass_g) AS avg_mass_g FROM penguins GROUP BY species) SELECT penguins.species, penguins.body_mass_g, round(grouped.avg_mass_g, 1) AS avg_mass_g FROM penguins JOIN grouped WHERE penguins.body_mass_g > grouped.avg_mass_g LIMIT 5;

out/common_table_expressions.out

создаём табличку grouped (с помощью WITH), которая содержит среднюю массу тела пингвинов (AVG(body_mass_g)) для каждого вида из penguins (GROUP BY species)
из penguins выбираем такие столбцы: species, body_mass_g; и из из общей таблицы grouped выбираем avg_mass_g, округлённое до 1 знака
объединяем penguins с общей таблицей grouped (через JOIN); для каждого пингвина будет найдена соответствующая средняя масса тела для его вида
WHERE — фильтруем; оставляем только тех, у которых масса тела больше средней массы их вида
выводим только первые 5 строк

Смотрим план запроса с помощью EXPLAIN

src/explain_query_plan.sql

EXPLAIN query PLAN SELECT species, AVG(body_mass_g) FROM penguins GROUP BY species;

out/explain_query_plan.out

QUERY PLAN |—SCAN penguins `—USE TEMP B-TREE FOR GROUP BY

EXPLAIN query PLAN — получаем план выполнения запроса, как будет выполнен запрос в базе данных
выбираем столбец species, вычисляем среднее значение столбца body_mass_g для каждого вида из penguins
GROUP BY species — группируем результаты по столбцу species

Нумеруем строки

каждая таблица имеет специальный столбец rowid с уникальными числовыми идентификаторами

src/rowid.sql

SELECT rowid, species, island FROM penguins LIMIT 5;

out/rowid.out

Условия if-else

src/if_else.sql

WITH sized_penguins AS (SELECT species, IIF(body_mass_g < 3500, ‘small’, ‘large’) AS size FROM penguins) SELECT species, size, count(*) AS num FROM sized_penguins GROUP BY species, size ORDER BY species, num;

out/if_else.out

| species | size | num | |————|——-|——| | Adelie | small | 54 | | Adelie | large | 98 | | Chinstrap | small | 17 | | Chinstrap | large | 51 | | Gentoo | large | 124 |

создаём временную таблицу sized_penguins, которая содержит два столбца: species и size
size определяется на основе условия: если body_mass_g меньше 3500, то он считается ‘small’, в противном случае — ‘large’
выбираем столбцы species и size из временной таблицы sized_penguins, а подсчитываем количество записей для каждой комбинации species и size, используя функцию count(*)
группируем данные (GROUP BY) по species и size

Выбираем с помощью SELECT и CASE

src/case_when.sql

WITH sized_penguins AS (SELECT species, CASE WHEN body_mass_g < 3500 THEN ‘small’ WHEN body_mass_g < 5000 THEN ‘medium’ ELSE ‘large’ END AS SIZE FROM penguins) SELECT species, SIZE, count(*) AS num FROM sized_penguins GROUP BY species, SIZE ORDER BY species, num;

out/case_when.out

| species | size | num | |————|———|——| | Adelie | large | 1 | | Adelie | small | 54 | | Adelie | medium | 97 | | Chinstrap | small | 17 | | Chinstrap | medium | 51 | | Gentoo | medium | 56 | | Gentoo | large | 68 |

в блоке WITH создаём набор данных с именем sized_penguins, где находится species и size, определенные на body_mass_g
CASE разделяет пингвинов на 3 категории: ‘small’, ‘medium’ и ‘large’ в зависимости от их массы
в основном блоке SELECT выбираются вид пингвина, его размер и количество пингвинов каждого размера (num) из набора sized_penguins
результаты группируются по виду пингвина и их размеру с помощью GROUP BY
в конце запроса результаты сортируются сначала по species в алфавитном порядке, а затем по num

Работаем с диапазоном значений

src/check_range.sql

WITH sized_penguins AS (SELECT species, CASE WHEN body_mass_g BETWEEN 3500 AND 5000 THEN ‘normal’ ELSE ‘abnormal’ END AS SIZE FROM penguins) SELECT species, SIZE, count(*) AS num FROM sized_penguins GROUP BY species, SIZE ORDER BY species, num;

out/check_range.out

| species | size | num | |————|———-|——| | Adelie | abnormal | 55 | | Adelie | normal | 97 | | Chinstrap | abnormal | 17 | | Chinstrap | normal | 51 | | Gentoo | abnormal | 62 | | Gentoo | normal | 62 |

создаём общую таблицу выражений (CTE) sized_penguins, она выбирает вид пингвина и определяет его размер в зависимости от массы тела; если масса в диапазоне от 3500 до 5000 г, это размер normal, в противном случае — abnormal
затем из этой CTE извлекаем данные с указанием видов пингвинов, их размеров и количества пингвинов каждого вида и размера, используя SELECT с агрегирующей функцией COUNT(*)
группируем по виду и размеру пингвина с помощью GROUP BY
сортируем результат по виду и количеству пингвинов в порядке возрастания с помощью ORDER BY

Ещё одна БД:

ER-диаграмма показывает отношения между отдельными табличками и выглядит так:

dios_6

dios_7

src/assay_staff.sql

SELECT * FROM staff;

out/assay_staff.out

| ident | personal | family | dept | age | |——-|———-|————|——|——| | 1 | Kartik | Gupta | | 46 | | 2 | Divit | Dhaliwal | hist | 34 | | 3 | Indrans | Sridhar | mb | 47 | | 4 | Pranay | Khanna | mb | 51 | | 5 | Riaan | Dua | | 23 | | 6 | Vedika | Rout | hist | 45 | | 7 | Abram | Chokshi | gen | 23 | | 8 | Romil | Kapoor | hist | 38 | | 9 | Ishaan | Ramaswamy | mb | 35 | | 10 | Nitya | Lal | gen | 52 |

Ищем по фрагменту с помощью LIKE

src/like_glob.sql

SELECT personal, family FROM staff WHERE personal LIKE ‘%ya%’ OR family GLOB ‘*De*’;

out/like_glob.out

| personal | family | |———-|———| | Nitya | Lal |

SELECT personal, family — хотим выбрать столбцы personal и family из таблицы staff
FROM staff — ну понятно, запрос будет выполнен в таблице staff
‘%ya%’ — хотим выбрать строки, в которых значение столбца personal содержит подстроку ya (с помощью LIKE) или значение столбца family содержит De (с помощью GLOB)

Выбираем первую и последнюю строки

src/union_all.sql

SELECT * FROM (SELECT * FROM (SELECT * FROM experiment ORDER BY started ASC LIMIT 5) UNION ALL SELECT * FROM (SELECT * FROM experiment ORDER BY started DESC LIMIT 5)) ORDER BY started ASC ;

Похожие сообщения

OpenWrt отмечает 20 лет выпуском собственного маршрутизатора

Как мы научили YandexGPT пересказывать видео

Half-life через 25 лет. История серии

out/union_all.out

| ident | kind | started | ended | |——-|————-|————|————| | 17 | trial | 2023-01-29 | 2023-01-30 | | 35 | calibration | 2023-01-30 | 2023-01-30 | | 36 | trial | 2023-02-02 | 2023-02-03 | | 25 | trial | 2023-02-12 | 2023-02-14 | | 2 | calibration | 2023-02-14 | 2023-02-14 | | 40 | calibration | 2024-01-21 | 2024-01-21 | | 12 | trial | 2024-01-26 | 2024-01-28 | | 44 | trial | 2024-01-27 | 2024-01-29 | | 34 | trial | 2024-02-01 | 2024-02-02 | | 14 | calibration | 2024-02-03 | 2024-02-03 |

выбираем 5 самых старых записей из таблицы experiment, отсортированных по возрастанию даты начала (started ASC) с помощью подзапроса (внутренний SELECT)
выбираем 5 самых новых записей из experiment, отсортированных по убыванию даты начала (started DESC) с помощью другого подзапроса
объединяем эти 2 подзапроса с помощью UNION ALL, так мы получаем временную таблицу, содержащую 10 записей (5 самых старых и 5 самых новых)
из временной таблицы выбираем все столбцы для каждой записи (SELECT *) и окончательно сортируем записи по возрастанию даты начала (started ASC) с помощью внешнего ORDER BY

Пересечение отдельных табличек

src/intersect.sql

SELECT personal, family, dept, age FROM staff WHERE dept = ‘mb’ INTERSECT SELECT personal, family, dept, age FROM staff WHERE age < 50 ;

out/intersect.out

| personal | family | dept | age | |———-|————|——|——| | Indrans | Sridhar | mb | 47 | | Ishaan | Ramaswamy | mb | 35 |

здесь мы используем INTERSECT для объединения результатов двух отдельных запросов
вначале выбираем данные из таблицы staff, в которых значение поля dept равно ‘mb’
потом выбираем данные из таблицы staff, в которых значение поля age меньше 50
с помощью INTERSECT мы находим пересечение, то есть строки, которые являются общими для результатов обоих запросов
в результате будут выбраны строки, которые присутствуют в обоих результатах, то есть записи из staff, где значение dept равно ‘mb’ и значение age меньше 50

Исключение

src/except.sql

SELECT personal, family, dept, age FROM staff WHERE dept = ‘mb’ EXCEPT SELECT personal, family, dept, age FROM staff WHERE age < 50 ;

out/except.out

| personal | family | dept | age | |———-|———|——|——| | Pranay | Khanna | mb | 51 |

при помощи SELECT извлекаем 4 поля из staff: personal, family, dept и age
затем используем WHERE, чтобы отфильтровать только те строки, в которых значение dept равно ‘mb’
после этого при помощи EXCEPT удаляем из исходного результата любые строки, которые также присутствуют в результате второго запроса
второй запрос SELECT также извлекает четыре поля из staff: personal, family, dept и age
используем WHERE, чтобы отфильтровать только те строки, где значение age меньше 50

Случайные значения в SQL

src/random_numbers.sql

WITH decorated AS (SELECT random() AS rand, personal || ‘ ‘ || family AS name FROM staff) SELECT rand, abs(rand) % 10 AS selector, name FROM decorated WHERE selector < 5;

out/random_numbers.out

| rand | selector | name | |———————-|———-|——————| | 7176652035743196310 | 0 | Divit Dhaliwal | | -2243654635505630380 | 2 | Indrans Sridhar | | -6940074802089166303 | 5 | Pranay Khanna | | 8882650891091088193 | 9 | Riaan Dua | | -45079732302991538 | 5 | Vedika Rout | | -8973877087806386134 | 2 | Abram Chokshi | | 3360598450426870356 | 9 | Romil Kapoor |

создаём временную таблицу decorated
в этой таблице извлекается случайное число с помощью random()
конкатенируем значения personal и family под именем name с помощью ‘ ‘ для разделения
таким образом создаём временную таблицу, содержащую столбцы rand с случайными числами и name со значениями из столбцов personal и family таблицы staff
делаем выборку из временной таблицы decorated; в выборку включаем столбцы rand, name
abs(rand) % 10 — это мы вычисляем остаток от деления абсолютного значения rand на 10
ну и в конце оставляем только строки, где selector меньше 5

Создание индексов

src/create_use_index.sql

EXPLAIN query PLAN SELECT filename FROM plate WHERE filename like ‘%07%’; CREATE INDEX plate_file ON plate(filename); EXPLAIN query PLAN SELECT filename FROM plate WHERE filename like ‘%07%’;

out/create_use_index.out

QUERY PLAN `—SCAN plate USING COVERING INDEX sqlite_autoindex_plate_1 QUERY PLAN `—SCAN plate USING COVERING INDEX plate_file

выбираем все значения столбца filename из таблицы plate, где значение столбца filename содержит подстроку 07
создаём индекс с именем plate_file для столбца filename в таблице plate
запрашиваем план выполнения запроса (EXPLAIN query PLAN)

Генерация последовательности значений

src/generate_sequence.sql

SELECT value FROM generate_series(1, 5);

out/generate_sequence.out

| value | |——-| | 1 | | 2 | | 3 | | 4 | | 5 |

generate_series(1, 5) — генерируем ряд чисел от 1 до 5
SELECT value — выбираем этот столбец value со сгенерированными числами от 1 до 5

Генерируем последовательность на основе данных

src/data_range_sequence.sql

CREATE TABLE temp (num integer NOT NULL); INSERT INTO temp VALUES (1), (5); SELECT value FROM generate_series ((SELECT min(num) FROM TEMP), (SELECT max(num) FROM TEMP));

out/data_range_sequence.out

| value | |——-| | 1 | | 2 | | 3 | | 4 | | 5 |

создаём временную таблицу temp, которая содержит 1 столбец с именем num типа integer; этот столбец не может быть пустым
помещаем в temp значения 1 и 5 в столбец num
используем generate_series для создания последовательности чисел между минимальным и максимальным значениями из столбца num в таблице temp

Генерация последовательностей дат

src/date_sequence.sql

SELECT date( (SELECT julianday(min(started)) FROM experiment) + value) AS some_day FROM (SELECT value FROM generate_series( (SELECT 0), (SELECT count(*) — 1 FROM experiment))) LIMIT 5;

out/date_sequence.out

| some_day | |————| | 2023-01-29 | | 2023-01-30 | | 2023-01-31 | | 2023-02-01 | | 2023-02-02 |

SELECT julianday(min(started)) FROM experiment — находим минимальную дату в столбце started из experiment, преобразуем её в Julian день (числовое представление даты) и возвращаем этот Julian день
внешним подзапросом вычисляем разницу между этим минимальным Julian днем и каждым value из generate_series
затем складываем эти разницы с минимальным Julian днем, и конвертируем обратно в дату с помощью date()
ну и выбираем только первые 5 результатов этого вычисления с помощью LIMIT 5

Подсчитываем количество значений за день, без пропусков

src/experiments_per_day.sql

WITH — complete sequence of days with 0 as placeholder for number of experiments all_days AS ( SELECT DATE ( ( SELECT julianday (MIN(started)) FROM experiment ) + VALUE ) AS some_day, 0 AS zeroes FROM ( SELECT VALUE FROM generate_series ( ( SELECT 0 ), ( SELECT COUNT(*) — 1 FROM experiment ) ) ) ), — sequence of actual days with actual number of experiments started actual_days AS ( SELECT started, COUNT(started) AS num_exp FROM experiment GROUP BY started ) — combined by joining on day and taking actual number (if available) or zero SELECT all_days.some_day AS DAY, COALESCE(actual_days.num_exp, all_days.zeroes) AS num_exp FROM all_days LEFT JOIN actual_days ON all_days.some_day = actual_days.started LIMIT 5;

Читать на TechLife: Рыцарь-демон, Intel Xeon Phi в 2024-м, часть 0

out/experiments_per_day.out

| day | num_exp | |————|———| | 2023-01-29 | 1 | | 2023-01-30 | 1 | | 2023-01-31 | 0 | | 2023-02-01 | 0 | | 2023-02-02 | 1 |

создаём последовательность всех дней с нулевым значением в качестве заполнителя для количества экспериментов
создаём последовательность фактических дней с реальным числом экспериментов
объединяем эти последовательности, соединяя их по дням и беря реальное количество (если доступно) или ноль
выводит результат, показывая дни (all_days.some_day) и соответствующее количество экспериментов (COALESCE(actual_days.num_exp, all_days.zeroes) AS num_exp), при этом используется функция COALESCE, чтобы использовать фактическое количество экспериментов, если оно доступно, или ноль, если нет

JOIN таблички с собой же

src/self_join.sql

WITH person AS ( SELECT ident, personal || ‘ ‘ || family AS name FROM staff ) SELECT LEFT.name, RIGHT.name FROM person AS LEFT JOIN person AS RIGHT LIMIT 10;

out/self_join.out

создаём временную общую таблицу person с помощью WITH
объединяем столбцы personal и family в один столбец name
при помощи SELECT выбираем из person значения столбца name через алиасы left и right
после этого происходит объединение person с собой с помощью оператора LEFT JOIN, при этом таблица алиасируется как RIGHT

Этот SQL-код, однако, содержит ошибку, правильный синтаксис должен быть следующим:

WITH person AS ( SELECT ident, personal || ‘ ‘ || family AS name FROM staff ) SELECT LEFT.name, RIGHT.name FROM person AS LEFT LEFT JOIN person AS RIGHT ON < условие соединения > LIMIT 10;

В исходном примере условие соединения (ON) не было указано

Генерируем уникальные пары значений

src/unique_pairs.sql

WITH person AS ( SELECT ident, personal || ‘ ‘ || family AS name FROM staff ) SELECT LEFT.name, RIGHT.name FROM person AS LEFT JOIN person AS RIGHT ON LEFT.ident < RIGHT.ident WHERE LEFT.ident <= 4 AND RIGHT.ident <= 4;

out/unique_pairs.out

создаём временную таблицу person, которая содержит результат выбора из таблицы staff
из person выбираем значения left.name и right.name с использованием операции слияния (JOIN). В этом случае происходит слияние person с собой, причем каждая копия person используется в качестве левой и правой таблиц соответственно. Слияние выполняется по условию, что идентификатор слева меньше идентификатора справа.
затем применяем дополнительное условие с помощью WHERE, которое фильтрует результаты JOIN-операции. Это условие проверяет, что идентификаторы слева и справа меньше или равны 4

Фильтрация пар

src/filter_pairs.sql

WITH person AS ( SELECT ident, personal || ‘ ‘ || family AS name FROM staff ), together AS ( SELECT LEFT.staff AS left_staff, RIGHT.staff AS right_staff FROM performed AS LEFT JOIN performed AS RIGHT ON LEFT.experiment = RIGHT.experiment WHERE left_staff < right_staff ) SELECT LEFT.name AS person_1, RIGHT.name AS person_2 FROM person AS LEFT JOIN person AS RIGHT JOIN together ON LEFT.ident = left_staff AND RIGHT.ident = right_staff;

out/filter_pairs.out

во временной табличке person выбираем имена сотрудников из таблицы staff; используем personal ‘ ‘ family AS name, чтобы объединить значения из столбцов personal и family
временная табличка together использует оператор LEFT JOIN для объединения таблицы performed с собой на основе столбца experiment. Затем выбираются пары сотрудников, участвовавших в одном и том же эксперименте, исключая случаи, когда идентификатор левого сотрудника (left_staff) больше идентификатора правого сотрудника (right_staff)
затем выполняется основной SELECT, который использует person и together для объединения имен сотрудников на основе их идентификаторов. Он выполняет два LEFT JOIN, чтобы объединить person с самим собой и затем объединить результат с together на основе идентификаторов сотрудников.
затем выбираются имена сотрудников для отображения в итоговом результате.

EXISTS

src/correlated_subquery.sql

SELECT name, building FROM department WHERE EXISTS (SELECT 1 FROM staff WHERE dept = department.ident ) ORDER BY name;

out/correlated_subquery.out

выбираем столбцы name и building из таблицы department
WHERE EXISTS (SELECT 1 FROM staff WHERE dept = department.ident ) — используем подзапрос, который проверяет существование хотя бы одной записи в таблице staff, для которой значение столбца dept совпадает с значением столбца ident из таблицы department
ORDER BY name — устанавливаем порядок сортировки результатов по столбцу name в алфавитном порядке

NOT EXISTS в SQL

src/nonexistence.sql

SELECT name, building FROM department WHERE NOT EXISTS (SELECT 1 FROM staff WHERE dept = department.ident ) ORDER BY name;

out/nonexistence.out

выбираем столбцы name и building из таблицы department
WHERE NOT EXISTS — выбираем только те записи из department, для которых не существует записей в таблице staff
SELECT 1 FROM staff WHERE dept = department.ident — проверяем, существуют ли записи в таблице staff, связанные с отделом из таблицы department
ORDER BY name — сортируем результат по столбцу name

Избегание коррелированных подзапросов

src/avoid_correlated_subqueries.sql

SELECT DISTINCT department.name AS name, department.building AS building FROM department JOIN staff ON department.ident = staff.dept ORDER BY name;

out/avoid_correlated_subqueries.out

SELECT DISTINCT — выбираем уникальные значения name и building из таблицы department
JOIN staff ON department.ident = staff.dept — объединяем таблицы department и staff на основе условия, что значение столбца ident из department равно значению dept из staff
ORDER BY name — результаты выборки сортируем в алфавитном порядке по столбцу name

Опережение и отставание

src/lead_lag.sql

WITH ym_num AS ( SELECT strftime (‘%Y-%m’, started) AS ym, COUNT(*) AS num FROM experiment GROUP BY ym ) SELECT ym, lag (num) OVER ( ORDER BY ym ) AS prev_num, num, lead (num) OVER ( ORDER BY ym ) AS next_num FROM ym_num ORDER BY ym;

out/lead_lag.out

| ym | prev_num | num | next_num | |———|———-|——|———-| | 2023-01 | | 2 | 5 | | 2023-02 | 2 | 5 | 5 | | 2023-03 | 5 | 5 | 1 | | 2023-04 | 5 | 1 | 6 | | 2023-05 | 1 | 6 | 5 | | 2023-06 | 6 | 5 | 3 | | 2023-07 | 5 | 3 | 2 | | 2023-08 | 3 | 2 | 4 | | 2023-09 | 2 | 4 | 6 | | 2023-10 | 4 | 6 | 4 | | 2023-12 | 6 | 4 | 5 | | 2024-01 | 4 | 5 | 2 | | 2024-02 | 5 | 2 | |

создаём временную таблицу ym_num из 2 столбцов: ym (год-месяц ‘YYYY-MM’) и num (количество записей в каждом месяце)
используем SQLite strftime для извлечения года и месяца из started, агрегируем результаты с помощью GROUP BY
в основном запросе выбираем данные из ym_num, выполняем следующие операции и получаем год-месяц ym, количество записей в предыдущем месяце (lag)num, текущее количество записей num и количество записей в следующем месяце (lead)num
результаты упорядочиваем по столбцу ym (год-месяц)

Оконные функции

src/window_functions.sql

WITH ym_num AS ( SELECT strftime (‘%Y-%m’, started) AS ym, COUNT(*) AS num FROM experiment GROUP BY ym ) SELECT ym, num, SUM(num) OVER ( ORDER BY ym ) AS num_done, CUME_DIST() OVER ( ORDER BY ym ) AS progress FROM ym_num ORDER BY ym;

out/window_functions.out

| ym | num | num_done | progress | |———|——|———-|———————| | 2023-01 | 2 | 2 | 0.0769230769230769 | | 2023-02 | 5 | 7 | 0.153846153846154 | | 2023-03 | 5 | 12 | 0.230769230769231 | | 2023-04 | 1 | 13 | 0.307692307692308 | | 2023-05 | 6 | 19 | 0.384615384615385 | | 2023-06 | 5 | 24 | 0.461538461538462 | | 2023-07 | 3 | 27 | 0.538461538461538 | | 2023-08 | 2 | 29 | 0.615384615384615 | | 2023-09 | 4 | 33 | 0.692307692307692 | | 2023-10 | 6 | 39 | 0.769230769230769 | | 2023-12 | 4 | 43 | 0.846153846153846 | | 2024-01 | 5 | 48 | 0.923076923076923 | | 2024-02 | 2 | 50 | 1.0 |

создаём временную таблицу ym_num, которая содержит: ym — год и месяц, извлеченные из started в experiment с помощью strftime(‘%Y-%m’); num — количество записей в experiment для каждого сочетания года и месяца
выбираем ym и num из таблицы ym_num, добавляем 2 дополнительных столбца: num_done — сумма количества экспериментов по всем предыдущим годам и месяцам (sum(num) OVER (ORDER BY ym)); progress — кумулятивное распределение количества экспериментов по всем предыдущим годам и месяцам (cume_dist() OVER (ORDER BY ym))
упорядочиваем результаты по столбцу ym (год и месяц)

Внезапно небольшое задание: объясните, что делает запрос ниже

src/explain_window_function.sql

EXPLAIN query PLAN WITH ym_num AS ( SELECT strftime (‘%Y-%m’, started) AS ym, COUNT(*) AS num FROM experiment GROUP BY ym ) SELECT ym, num, SUM(num) OVER ( ORDER BY ym ) AS num_done, CUME_DIST() OVER ( ORDER BY ym ) AS progress FROM ym_num ORDER BY ym;

out/explain_window_function.out

создаём временную табличку ym_num с результатами агрегирования по месяцам, где данные из started преобразуются в формат год-месяц (strftime(‘%Y-%m’, started) AS ym) и подсчитываем количество событий (count(*) AS num)
группируем результаты по полю ym
выбираем поля ym и num из ym_num и добавляем 2 дополнительных поля: num_done и progress; num_done — общее количество событий/мес, сгруппированных в порядке увеличения месяца; поле progress — прогресс в процентном соотношении относительно общего числа записей (cume_dist())
в итоге выводим данные в порядке увеличения значения ym (год-месяц)

Используем PARTITION BY в SQL

src/partition_window.sql

WITH y_m_num AS (SELECT strftime(‘%Y’, started) AS YEAR, strftime(‘%m’, started) AS MONTH, count(*) AS num FROM experiment GROUP BY YEAR, MONTH) SELECT YEAR, MONTH, num, sum(num) OVER (PARTITION BY YEAR ORDER BY MONTH) AS num_done FROM y_m_num ORDER BY YEAR, MONTH;

out/partition_window.out

| year | month | num | num_done | |——|——-|——|———-| | 2023 | 01 | 2 | 2 | | 2023 | 02 | 5 | 7 | | 2023 | 03 | 5 | 12 | | 2023 | 04 | 1 | 13 | | 2023 | 05 | 6 | 19 | | 2023 | 06 | 5 | 24 | | 2023 | 07 | 3 | 27 | | 2023 | 08 | 2 | 29 | | 2023 | 09 | 4 | 33 | | 2023 | 10 | 6 | 39 | | 2023 | 12 | 4 | 43 | | 2024 | 01 | 5 | 5 | | 2024 | 02 | 2 | 7 |

создаём временную таблицу y_m_num с тремя столбцами: YEAR, MONTH и num.
временную табличку заполняем записями из experiment. Для каждой записи определяем год и месяц даты в столбце started (через strftime), считаем количество записей (count(*)) для каждого года и месяца, группируем результаты по году и месяцу
выбираем данные из y_m_num, добавляем столбец num_done — накопительное значение для num в пределах каждого года sum(num) OVER (PARTITION BY YEAR ORDER BY MONTH) — суммируем значение num для каждого месяца при сортировке по месяцам внутри каждого года
в итоге сортируем результаты по году и месяцу с помощью ORDER BY YEAR, MONTH

Данные типа blob

src/blob.sql

CREATE TABLE images (name text NOT NULL, content blob); INSERT INTO images(name, content) VALUES («biohazard», readfile(«img/biohazard.png»)), («crush», readfile(«img/crush.png»)), («fire», readfile(«img/fire.png»)), («radioactive», readfile(«img/radioactive.png»)), («tripping», readfile(«img/tripping.png»)); SELECT name, length(content) FROM images;

out/blob.out

| name | length(content) | |————-|——————| | biohazard | 19629 | | crush | 15967 | | fire | 18699 | | radioactive | 16661 | | tripping | 17208 |

создаём таблицу images со столбцами: name — текстовый столбец, не может быть пустым; content — столбец двоичных данных (blob)
вставляем 5 пар name-blob в images с помощью INSERT INTO
readfile читает содержимое файла name и возвращает его как двоичные данные blob
выполняем выборку данных из images с помощью SELECT, получая значения name и вычисляя количество байт двоичных данных в content

Ещё одна БД

src/lab_log_db.sh

sqlite3 data/lab_log.db

src/lab_log_schema.sql

.schema

out/lab_log_schema.out

CREATE TABLE sqlite_sequence(name, seq); CREATE TABLE person(ident integer PRIMARY KEY autoincrement, details text NOT NULL); CREATE TABLE machine(ident integer PRIMARY KEY autoincrement, name text NOT NULL, details text NOT NULL); CREATE TABLE usage(ident integer PRIMARY KEY autoincrement, log text NOT NULL);

создаём sqlite_sequence со столбцами name и seq (для значения счетчика, он используется в качестве AUTOINCREMENT)
создаём person со столбцами ident (целочисленный, является первичным ключом (PRIMARY KEY), автоматически инкрементируется) и details (текстовый столбец, не может иметь значение NULL)
создаём machine со столбцами ident (целочисленный, является первичным ключом (PRIMARY KEY), автоматически инкрементируется), name (текстовый, не может иметь значение NULL), details (текстовый, не может иметь значение NULL)
создаём usage со столбцами ident (целочисленный, является первичным ключом (PRIMARY KEY), автоматически инкрементируется) и log (текстовый столбец, не может иметь значение NULL)

Сохранение JSON

src/json_in_table.sql

SELECT * FROM machine;

out/json_in_table.out

| ident | name | details | |——-|—————-|———————————————————| | 1 | WY401 | {«acquired»: «2023-05-01»} | | 2 | Inphormex | {«acquired»: «2021-07-15», «refurbished»: «2023-10-22»} | | 3 | AutoPlate 9000 | {«note»: «needs software update»} |

Выбираем отдельные поля в JSON

src/json_field.sql

SELECT details->’$.acquired’ AS single_arrow, details->>’$.acquired’ AS double_arrow FROM machine;

out/json_field.out

| single_arrow | double_arrow | |—————|—————| | «2023-05-01» | 2023-05-01 | | «2021-07-15» | 2021-07-15 | | | |

details->’$.acquired’ AS single_arrow — с помощью -> извлекаем значение JSON поля acquired из столбца details для каждой строки из machine, обозначаем его как single_arrow
details->>’$.acquired’ AS double_arrow — оператор ->> также используется для извлечения JSON по указанному пути, но возвращает текст, в отличие от ->, который возвращает JSON значение; здесь мы извлекаем значение JSON поля acquired из столбца details для каждой строки из machine, обозначаем его как double_arrow

Доступ к JSON-объекту

src/json_array.sql

SELECT ident, json_array_length(log->’$’) AS LENGTH, log->’$[0]’ AS FIRST FROM USAGE;

out/json_array.out

| ident | length | first | |——-|———|—————————————————————| | 1 | 4 | {«machine»:»Inphormex»,»person»:[«Gabrielle»,»Dubu00e9″]} | | 2 | 5 | {«machine»:»Inphormex»,»person»:[«Marianne»,»Richer»]} | | 3 | 2 | {«machine»:»sterilizer»,»person»:[«Josette»,»Villeneuve»]} | | 4 | 1 | {«machine»:»sterilizer»,»person»:[«Maude»,»Goulet»]} | | 5 | 2 | {«machine»:»AutoPlate 9000″,»person»:[«Brigitte»,»Michaud»]} | | 6 | 1 | {«machine»:»sterilizer»,»person»:[«Marianne»,»Richer»]} | | 7 | 3 | {«machine»:»WY401″,»person»:[«Maude»,»Goulet»]} | | 8 | 1 | {«machine»:»AutoPlate 9000″} |

json_array_length(log->’$’) AS LENGTH — вычисляем длину массива, находящегося внутри JSON-объекта в столбце log; используем оператор ->, чтобы получить массив из корневого уровня JSON-объекта, и json_array_length для подсчета количества элементов в этом массиве; результат помещаем в столбец с именем LENGTH
log->’$[0]’ AS FIRST — извлекаем первый элемент из массива, указанного в корневом уровне JSON-объекта в столбце log; используем оператор ->, чтобы получить доступ к массиву, и указываем индекс элемента в квадратных скобках; результат сохраняем в столбец FIRST

Распаковка JSON

src/json_unpack.sql

SELECT ident, json_each.key AS KEY, json_each.value AS value FROM USAGE, json_each(usage.log) LIMIT 10;

out/json_unpack.out

| ident | key | value | |——-|——|—————————————————————| | 1 | 0 | {«machine»:»Inphormex»,»person»:[«Gabrielle»,»Dubu00e9″]} | | 1 | 1 | {«machine»:»Inphormex»,»person»:[«Gabrielle»,»Dubu00e9″]} | | 1 | 2 | {«machine»:»WY401″,»person»:[«Gabrielle»,»Dubu00e9″]} | | 1 | 3 | {«machine»:»Inphormex»,»person»:[«Gabrielle»,»Dubu00e9″]} | | 2 | 0 | {«machine»:»Inphormex»,»person»:[«Marianne»,»Richer»]} | | 2 | 1 | {«machine»:»AutoPlate 9000″,»person»:[«Marianne»,»Richer»]} | | 2 | 2 | {«machine»:»sterilizer»,»person»:[«Marianne»,»Richer»]} | | 2 | 3 | {«machine»:»AutoPlate 9000″,»person»:[«Monique»,»Marcotte»]} | | 2 | 4 | {«machine»:»sterilizer»,»person»:[«Marianne»,»Richer»]} | | 3 | 0 | {«machine»:»sterilizer»,»person»:[«Josette»,»Villeneuve»]} |

SELECT ident, json_each.key AS KEY, json_each.value AS value — определяем, что нужно выбрать из таблицы usage и JSON-объектов, распарсенных с помощью функции json_each; из каждой строки выбираем идентификатор, а также ключ и его значение из каждого JSON-объекта в столбце log
FROM usage, json_each(usage.log) — указываем источник данных для выборки; usage указывается после ключевого слова FROM, а json_each вызывается перед log, чтобы разобрать JSON-объекты из этого столбца
LIMIT 10 — выбираем только первые 10 строк

Последний элемент в массиве

src/json_array_last.sql

SELECT ident, log->’$[#-1].machine’ AS FINAL FROM USAGE LIMIT 5;

out/json_array_last.out

| ident | final | |——-|—————| | 1 | «Inphormex» | | 2 | «sterilizer» | | 3 | «Inphormex» | | 4 | «sterilizer» | | 5 | «sterilizer» |

SELECT ident, log->’$[#-1].machine’ AS FINAL — выбираем 2 столбца из machine; ident возвращается как есть, а столбец log обрабатывается так:
- log->’$[#-1].machine — извлекаем данные из столбца log (-> используется для доступа к JSON-полю в столбце log)
- $[#-1] — обращаемся к последнему элементу массива, который хранится в log
- .machine — хотим извлечь значение поля machine из объекта, находящегося в последнем элементе массива

Модифицируем JSON

src/json_modify.sql

SELECT ident, name, json_set(details, ‘$.sold’, json_quote(‘2024-01-25’)) AS updated FROM machine;

out/json_modify.out

| ident | name | updated | |——-|—————-|—————————————————————| | 1 | WY401 | {«acquired»:»2023-05-01″,»sold»:»2024-01-25″} | | 2 | Inphormex | {«acquired»:»2021-07-15″,»refurbished»:»2023-10-22″,»sold»:» | | | | 2024-01-25″} | | 3 | AutoPlate 9000 | {«note»:»needs software update»,»sold»:»2024-01-25″} |

SELECT ident, name, … FROM machine; — выбираем значения столбцов ident и name из таблицы machine
json_set(details, ‘$.sold’, json_quote(‘2024-01-25’)) AS updated — при помощи json_set обновляем JSON-объект в столбце details; функция добавляет/изменяет свойство sold в JSON-объекте в столбце details, присваивая ему новое значение, полученное с помощью функции json_quote; результат сохраняем как updated

Обновляем табличку penguins:

src/count_penguins.sql

SELECT species, count(*) AS num FROM penguins GROUP BY species;

out/count_penguins.out

| species | num | |————|——| | Adelie | 152 | | Chinstrap | 68 | | Gentoo | 124 |

Immediate If в SQL

src/make_active.sql

ALTER TABLE penguins ADD active integer NOT NULL DEFAULT 1; UPDATE penguins SET active = IIF(species = ‘Adelie’, 0, 1);

изменяем таблицу penguins, добавляя новый столбец active типа integer, который не может содержать значение NULL, и устанавливаем значение по умолчанию 1 для всех строк
обновляем значения в столбце active в penguins; значение столбца active устанавливается на 0, если значение в species равно ‘Adelie’, иначе устанавливается на 1
функция IIF (Immediate If) используется здесь для реализации условного выражения (1 аргумент — условие, 2 — результат, если условие истинно, и 3 — результат, если условие ложно)

src/active_penguins.sql

SELECT species, count(*) AS num FROM penguins WHERE active GROUP BY species;

out/active_penguins.out

| species | num | |————|——| | Chinstrap | 68 | | Gentoo | 124 |

Представление VIEW в SQL

src/views.sql

CREATE VIEW IF NOT EXISTS active_penguins (species, island, bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, sex) AS SELECT species, island, bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, sex FROM penguins WHERE active; SELECT species, count(*) AS num FROM active_penguins GROUP BY species;

out/views.out

| species | num | |————|——| | Chinstrap | 68 | | Gentoo | 124 |

создаём представление (VIEW) с именем active_penguins, если его еще не существует
представление содержит столбцы species, island, bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, и sex; данные для представления берутся из penguins, при условии, что пингвины являются активными (WHERE active)
выполняем выборку из представления active_penguins: выбираем вид пингвина (species) и количество таких пингвинов (num), удовлетворяющих условиям, заданным в представлении active_penguins

Напоминание о часах работы:

src/all_jobs.sql

CREATE TABLE job (name text NOT NULL, billable real NOT NULL); INSERT INTO job VALUES (‘calibrate’, 1.5), (‘clean’, 0.5); SELECT * FROM job;

out/all_jobs.out

| name | billable | |————|———-| | calibrate | 1.5 | | clean | 0.5 |

Добавляем проверку CHECK

src/all_jobs_check.sql

CREATE TABLE job (name text NOT NULL, billable real NOT NULL, CHECK (billable > 0.0)); INSERT INTO job VALUES (‘calibrate’, 1.5); INSERT INTO job VALUES (‘reset’, -0.5); SELECT * FROM job;

out/all_jobs_check.out

Runtime error near line 9: CHECK constraint failed: billable > 0.0 (19) | name | billable | |————|———-| | calibrate | 1.5 |

создаём таблицу job с 2 столбцами, которые не могут быть пустыми: name (текстовый тип данных) и billable (вещественные тип данных)
ограничение (CHECK) гарантирует, что значение столбца billable должно быть больше чем 0.0
добавляем новую запись в job с указанными значениями ‘calibrate’ для столбца name и 1.5 для столбца billable — сейчас под условие CHECK это попадает
пытаемся добавить еще одну запись в таблицу job с указанными значениями ‘reset’ для столбца name и -0.5 для столбца billable. Однако, так как -0.5 меньше либо равно 0.0, то это нарушает условие CHECK

ACID

ACID — это акроним, который описывает набор свойств транзакций баз данных, предназначенных для обеспечения целостности данных в случае ошибок, сбоев питания и других непредвиденных ситуаций:

Атомарность (Atomicity): Транзакция должна быть атомарной, что означает, что она должна быть выполнена целиком или не выполнена вообще. Если одна часть транзакции не может быть выполнена, то все изменения, сделанные в рамках этой транзакции, должны быть отменены.
Согласованность (Consistency): Транзакция должна приводить базу данных из одного согласованного состояния в другое согласованное состояние. Это означает, что все правила и ограничения, установленные на данные, должны быть соблюдены во время выполнения транзакции.
Изолированность (Isolation): Транзакции должны быть изолированы друг от друга, чтобы предотвратить взаимное влияние. Каждая транзакция должна быть выполнена так, как если бы она была единственной выполняемой транзакцией в базе данных. Это гарантирует, что результаты одной транзакции не будут видны другим транзакциям до их завершения.
Долговечность (Durability): Результаты выполненной транзакции должны быть постоянными и доступными даже в случае сбоя системы или перезагрузки. Это достигается путем записи изменений в постоянное хранилище, например SSD.

Читать на TechLife: Никакого дешевого суперзума. Названа стоимость Realme 12 Pro+, и этот смартфон будет гораздо дороже 300 долларов

TRANSACTION в SQL

src/transaction.sql

CREATE TABLE job (name text NOT NULL, billable real NOT NULL, CHECK (billable > 0.0)); INSERT INTO job VALUES (‘calibrate’, 1.5); BEGIN TRANSACTION; INSERT INTO job VALUES (‘clean’, 0.5); ROLLBACK; SELECT * FROM job;

out/transaction.out

| name | billable | |————|———-| | calibrate | 1.5 |

создаём таблицу job с 2 колонками, которые не могут быть пустыми:
- name текстового типа
- billable с типом данных real (вещественное число) и условием CHECK (billable > 0.0), что гарантирует, что значение billable больше 0.0
добавляем в job запись: (‘calibrate’, 1.5)
начинаем новую транзакцию.
добавляем другую запись в таблицу job: (‘clean’, 0.5)
откатываем последнюю транзакцию, добавляя ‘clean’, 0.5, поэтому данная строка не сохраняется

ROLLBACK в SQL

src/rollback_constraint.sql

CREATE TABLE job ( name text NOT NULL, billable real NOT NULL, CHECK (billable > 0.0) ON CONFLICT ROLLBACK ); INSERT INTO job VALUES (‘calibrate’, 1.5); INSERT INTO job VALUES (‘clean’, 0.5), (‘reset’, -0.5); SELECT * FROM job;

out/rollback_constraint.out

Runtime error near line 11: CHECK constraint failed: billable > 0.0 (19) | name | billable | |————|———-| | calibrate | 1.5 |

создаём новую таблицу с именем job и 2 непустыми столбцами: текстовым name и вещественным billable
значение в billable должно быть больше 0 (CHECK (billable > 0.0))
добавляем в job запись с именем calibrate со значением billable 1.5
вторая запись с именем clean имеет значение billable равное 0.5
третья запись с именем reset имеет значение billable равное -0.5 — тут возникает проблема с записью третьей строки, так как это нарушает ограничение CHECK (billable > 0.0)

Откат с помощью ROLLBACK

src/rollback_statement.sql

CREATE TABLE job (name text NOT NULL, billable real NOT NULL, CHECK (billable > 0.0)); INSERT OR ROLLBACK INTO job VALUES (‘calibrate’, 1.5); INSERT OR ROLLBACK INTO job VALUES (‘clean’, 0.5), (‘reset’, -0.5); SELECT * FROM job;

out/rollback_statement.out

Runtime error near line 11: CHECK constraint failed: billable > 0.0 (19) | name | billable | |————|———-| | calibrate | 1.5 |

создаём таблицу job с 2 непустыми столбцами:
- текстовым столбцом name
- вещественнозначным billable с ограничением CHECK (billable > 0.0) — значение в этом столбце всегда будет больше нуля
вставляем данные в job с помощью оператора INSERT OR ROLLBACK, а именно одну запись с названием calibrate и значением billable равным 1.5
вставляем ещё 2 записи в таблицу job с помощью оператора INSERT OR ROLLBACK: clean со значением 0.5 для billable, reset со значением -0.5 billable (что не подходит по условию CHECK)

Вставка значений

src/upsert.sql

CREATE TABLE jobs_done (person text UNIQUE, num integer DEFAULT 0); INSERT INTO jobs_done VALUES(«zia», 1); .print «after first» SELECT * FROM jobs_done; .print INSERT INTO jobs_done VALUES(«zia», 1); .print «after failed» SELECT * FROM jobs_done; INSERT INTO jobs_done VALUES(«zia», 1) ON conflict(person) DO UPDATE SET num = num + 1; .print «nafter upsert» SELECT * FROM jobs_done;

out/upsert.out

after first | person | num | |———|——| | zia | 1 | Runtime error near line 14: UNIQUE constraint failed: jobs_done.person (19) after failed | person | num | |———|——| | zia | 1 | after upsert | person | num | |———|——| | zia | 2 |

создаём jobs_done со столбцами person (текстовый тип данных с уникальными значениями) и num (целочисленный тип, по умолчанию равен 0)
вставляем в jobs_done запись с именем «zia» и числом 1
пытаемся снова вставить строку с тем же именем «zia» и числом 1 и снова выводим результаты запроса SELECT
вставляем строку с тем же именем «zia» и числом 1 но уже указываем, чтобы в случае конфликта по столбцу person, обновить значение столбца num, увеличив его на 1

Создание триггера

src/trigger_setup.sql

— Track hours of lab work. CREATE TABLE job (person text NOT NULL, reported real NOT NULL CHECK (reported >= 0.0)); — Explicitly store per-person total rather than using sum(). CREATE TABLE total (person text UNIQUE NOT NULL, hours real); — Initialize totals. INSERT INTO total VALUES («gene», 0.0), («august», 0.0); — Define a trigger. CREATE TRIGGER total_trigger BEFORE INSERT ON job BEGIN — Check that the person exists. SELECT CASE WHEN NOT EXISTS (SELECT 1 FROM total WHERE person = new.person) THEN raise (ROLLBACK, ‘Unknown person ‘) END; — Update their total hours (or fail if non-negative constraint violated). UPDATE total SET hours = hours + new.reported WHERE total.person = new.person; END;

создаём таблицу job со столбцами person и reported
создаём total со столбцами person и hours
устанавливаем значения gene и august в 0.0
создаём триггер total_trigger, который срабатывает перед вставкой новых записей в таблицу job. Этот триггер:
- проверяет, существует ли человек в таблице total, прежде чем разрешить вставку новых записей в таблицу job
- обновляет общее количество отработанных часов для соответствующего человека в таблице total путем добавления нового количества отработанных часов из таблицы job

src/trigger_successful.sql

INSERT INTO job VALUES (‘gene’, 1.5), (‘august’, 0.5), (‘gene’, 1.0);

out/trigger_successful.out

| person | reported | |———|———-| | gene | 1.5 | | august | 0.5 | | gene | 1.0 | | person | hours | |———|——-| | gene | 2.5 | | august | 0.5 |

Срабатывание триггера

src/trigger_firing.sql

INSERT INTO job VALUES (‘gene’, 1.0), (‘august’, -1.0) ;

out/trigger_firing.out

Runtime error near line 6: CHECK constraint failed: reported >= 0.0 (19) | person | hours | |———|——-| | gene | 0.0 | | august | 0.0 |

Графическое представление

src/lineage_setup.sql

CREATE TABLE lineage (parent text NOT NULL, child text NOT NULL); INSERT INTO lineage VALUES (‘Arturo’, ‘Clemente’), (‘Darío’, ‘Clemente’), (‘Clemente’, ‘Homero’), (‘Clemente’, ‘Ivonne’), (‘Ivonne’, ‘Lourdes’), (‘Soledad’, ‘Lourdes’), (‘Lourdes’, ‘Santiago’);

src/represent_graph.sql

SELECT * FROM lineage;

out/represent_graph.out

dios_8

Рекурсивный запрос

src/recursive_lineage.sql

WITH RECURSIVE descendent AS ( SELECT ‘Clemente’ AS person, 0 AS generations UNION ALL SELECT lineage.child AS person, descendent.generations + 1 AS generations FROM descendent JOIN lineage ON descendent.person = lineage.parent ) SELECT person, generations FROM descendent;

out/recursive_lineage.out

| person | generations | |———-|————-| | Clemente | 0 | | Homero | 1 | | Ivonne | 1 | | Lourdes | 2 | | Santiago | 3 |

определяем общий термин descendent (потомок) как рекурсивное общее выражение. Начинаем с одной записи, где ‘Clemente’ — это начальное имя, а 0 — это количество поколений.
далее мы выполняем рекурсивное объединение с самим собой (с descendent) и таблицей lineage, чтобы найти всех потомков для каждого найденного человека. Выбираем потомка из таблицы lineage, увеличиваем количество поколений на 1 и продолжаем делать это для всех найденных потомков, пока они находятся
если новых потомков больше не найдено, используем SELECT для выбора столбцов person и generations из descendent

База данных отслеживания контактов

src/contact_person.sql

SELECT * FROM person;

out/contact_person.out

| ident | name | |——-|————————| | 1 | Juana Baeza | | 2 | Agustín Rodríquez | | 3 | Ariadna Caraballo | | 4 | Micaela Laboy | | 5 | Verónica Altamirano | | 6 | Reina Rivero | | 7 | Elias Merino | | 8 | Minerva Guerrero | | 9 | Mauro Balderas | | 10 | Pilar Alarcón | | 11 | Daniela Menéndez | | 12 | Marco Antonio Barrera | | 13 | Cristal Soliz | | 14 | Bernardo Narváez | | 15 | Óscar Barrios |

src/contact_contacts.sql

SELECT * FROM contact;

out/contact_contacts.out

dios_9

Продолжаем работать с bi_contact

src/bidirectional.sql

CREATE TEMPORARY TABLE bi_contact (LEFT text, RIGHT text); INSERT INTO bi_contact SELECT LEFT, RIGHT FROM contact UNION ALL SELECT RIGHT, LEFT FROM contact;

out/bidirectional.out

| original_count | |—————-| | 8 | | num_contact | |————-| | 16 |

создаём временную табличку bi_contact с 2 столбцами: LEFT и RIGHT, оба текстовые
вставляем в bi_contact данные из другой таблицы при помощи SELECT
используем UNION ALL для объединения результатов 2 операций SELECT в один набор данных; данные из столбца LEFT и RIGHT таблицы contact вставляем в таблицу bi_contact. Первый набор данных берёт значения из столбцов LEFT и RIGHT таблицы contact, а второй набор данных берёт значения из столбцов RIGHT и LEFT таблицы contact
в общем, вставляем в bi_contact комбинацию значений из столбцов LEFT и RIGHT таблицы contact и их перевёрнутые комбинации

Обновляем идентификаторы групп

src/update_group_ids.sql

SELECT left.name AS left_name, left.ident AS left_ident, right.name AS right_name, right.ident AS right_ident, min(left.ident, right.ident) AS new_ident FROM ( person AS LEFT JOIN bi_contact ON left.name = bi_contact.left ) JOIN person AS RIGHT ON bi_contact.right = right.name;

out/update_group_ids.out

| left_name | left_ident | right_name | right_ident | new_ident | |————————|————|————————|————-|————| | Juana Baeza | 1 | Micaela Laboy | 4 | 1 | | Juana Baeza | 1 | Verónica Altamirano | 5 | 1 | | Agustín Rodríquez | 2 | Ariadna Caraballo | 3 | 2 | | Agustín Rodríquez | 2 | Verónica Altamirano | 5 | 2 | | Ariadna Caraballo | 3 | Agustín Rodríquez | 2 | 2 | | Micaela Laboy | 4 | Juana Baeza | 1 | 1 | | Verónica Altamirano | 5 | Agustín Rodríquez | 2 | 2 | | Verónica Altamirano | 5 | Juana Baeza | 1 | 1 | | Reina Rivero | 6 | Pilar Alarcón | 10 | 6 | | Pilar Alarcón | 10 | Reina Rivero | 6 | 6 | | Daniela Menéndez | 11 | Cristal Soliz | 13 | 11 | | Daniela Menéndez | 11 | Marco Antonio Barrera | 12 | 11 | | Marco Antonio Barrera | 12 | Cristal Soliz | 13 | 12 | | Marco Antonio Barrera | 12 | Daniela Menéndez | 11 | 11 | | Cristal Soliz | 13 | Daniela Menéndez | 11 | 11 | | Cristal Soliz | 13 | Marco Antonio Barrera | 12 | 12 |

Рекурсивно устанавливаем метки

src/recursive_labeling.sql

WITH recursive labeled AS ( SELECT person.NAME AS NAME, person.ident AS label FROM person UNION — not ‘union all’ SELECT person.NAME AS NAME, labeled.label AS label FROM ( person JOIN bi_contact ON person.NAME = bi_contact.LEFT ) JOIN labeled ON bi_contact.RIGHT = labeled.NAME WHERE labeled.label < person.ident ) SELECT NAME, min(label) AS group_id FROM labeled GROUP BY NAME ORDER BY label, NAME;

out/recursive_labeling.out

| name | group_id | |————————|———-| | Agustín Rodríquez | 1 | | Ariadna Caraballo | 1 | | Juana Baeza | 1 | | Micaela Laboy | 1 | | Verónica Altamirano | 1 | | Pilar Alarcón | 6 | | Reina Rivero | 6 | | Elias Merino | 7 | | Minerva Guerrero | 8 | | Mauro Balderas | 9 | | Cristal Soliz | 11 | | Daniela Menéndez | 11 | | Marco Antonio Barrera | 11 | | Bernardo Narváez | 14 | | Óscar Barrios | 15 |

определяем рекурсивное выражение labeled — оно начинается с базового запроса, который выбирает имена и идентификаторы из таблицы person,
- затем используется UNION для объединения с другим запросом, который соединяет таблицы person и bi_contact, используя столбцы name и left в bi_contact и имена и метки из person
- затем объединяет результаты этого соединения с ранее помеченными записями из labeled
- WHERE устанавливает условие, что метка предыдущей записи должна быть меньше, чем идентификатор текущей записи person
выполняем основной запрос — выбираем имена из labeled и вычисляем минимальную метку для каждого имени как group_id с помощью функции min()
результат группируем по именам и сортируем сначала по метке, а затем по имени
attention: только не используйте тут UNION ALL, иначе возникнет бесконечная рекурсия)

Работа с SQL в Python при помощи sqlite3

src/basic_python_query.py

import sqlite3 connection = sqlite3.connect(«db/penguins.db») cursor = connection.execute(«SELECT count(*) FROM penguins;») rows = cursor.fetchall() print(rows)

out/basic_python_query.out

[(344,)]

импортируем библиотечку sqlite3 (к слову, она является одной из стандартных библиотек) для работы с SQLite
устанавливаем соединение с БД, расположенной в файле «db/penguins.db», используя метод sqlite3.connect(). Если этого файл не существует, то он будет создан
создаём объект cursor для выполнения SQL-запросов
select count(*) from penguins; — подсчитываем количество всех записей в таблице penguins
fetchall() — получаем результат выполнения запроса, сохраняем его в переменную rows

Инкрементная выборка

src/incremental_fetch.py

import sqlite3 connection = sqlite3.connect(«db/penguins.db») cursor = connection.cursor() cursor = cursor.execute(«SELECT species, island FROM penguins LIMIT 5;») while row := cursor.fetchone(): print(row)

out/incremental_fetch.out

(‘Adelie’, ‘Torgersen’) (‘Adelie’, ‘Torgersen’) (‘Adelie’, ‘Torgersen’) (‘Adelie’, ‘Torgersen’) (‘Adelie’, ‘Torgersen’)

коннектимся к БД с помощью sqlite3.connect(«db/penguins.db»)
connection.cursor() — создаём объект cursor, это указатель на результат выполнения запросов
select species, island from penguins limit 5; — выбираем первые 5 записей из таблицы penguins, возвращая значения столбцов species и island
пока переменная row из cursor.fetchone() непустая, печатаем её (мы сразу создаём переменную row и тут же используем её при помощи := )

Простые операции CREATE, INSERT, DELETE и другие с помощью sqlite3

src/insert_delete.py

import sqlite3 connection = sqlite3.connect(«:memory:») cursor = connection.cursor() cursor.execute(«CREATE TABLE example(num integer);») cursor.execute(«INSERT INTO example VALUES (10),(20);») print(«after insertion», cursor.execute(«SELECT * FROM example;»).fetchall()) cursor.execute(«DELETE FROM example WHERE num < 15;») print(«after deletion», cursor.execute(«SELECT * FROM example;»).fetchall())

out/insert_delete.out

after insertion [(10,), (20,)] after deletion [(20,)]

connection = sqlite3.connect(«:memory:») — создаём подключение к БД SQLite, созданной в оперативной памяти
cursor = connection.cursor() — создаём объект курсора, который используется для выполнения операций в БД
cursor.execute(«CREATE TABLE example(num integer);») — создаём новую таблицу с именем example и одним столбцом num для хранения целых чисел
cursor.execute(«INSERT INTO example VALUES (10),(20);») — вставляем 2 строки в example с числами 10 и 20 в столбец num
print(«after insertion», cursor.execute(«SELECT * FROM example;»).fetchall()) — выводим содержимое таблицы example после вставки строк; выполняем операцию SELECT, чтобы выбрать все строки из таблицы, используя метод .fetchall() для извлечения результатов запроса
cursor.execute(«DELETE FROM example WHERE num < 15;») — удаляем строки из таблицы example, в которых значение столбца num меньше 15
ну и в конце выводим содержимое таблицы example после удаления строк; также выполняем SELECT, чтобы выбрать все строки из таблицы, используя метод .fetchall() для извлечения результатов запроса

Интерполируем значения

src/interpolate.py

import sqlite3 connection = sqlite3.connect(«:memory:») cursor = connection.cursor() cursor.execute(«CREATE TABLE example(num integer);») cursor.executemany(«insert into example values (?);», [(10,), (20,)]) print(«after insertion», cursor.execute(«SELECT * FROM example;»).fetchall())

out/interpolate.out

after insertion [(10,), (20,)]

XKCD Exploits of a Mom

connection = sqlite3.connect(«:memory:») — устанавливаем соединение с БД SQLite в оперативной памяти
cursor = connection.cursor() — создаём объект курсора, который используется для выполнения операций БД
cursor.execute(«create table example(num integer);») — создаём таблицу example с одним столбцом num типа integer
cursor.executemany(«insert into example values (?);», [(10,), (20,)]) — вставляем значения 10 и 20 в столбец num таблицы example с использованием параметризованного запроса

Выполнение полноценных SQL-запросов в Python

src/script_execution.py

import sqlite3 SETUP = «»» DROP TABLE IF EXISTS example; CREATE TABLE example(num integer); INSERT INTO example VALUES (10), (20); «»» connection = sqlite3.connect(«:memory:») cursor = connection.cursor() cursor.executescript(SETUP) print(«after insertion», cursor.execute(«SELECT * FROM example;»).fetchall())

out/script_execution.out

after insertion [(10,), (20,)]

удаляем таблицу example, если она существует
создаём таблицу example с одним столбцом num типа integer
вставляем 2 записи в таблицу example с числами 10 и 20
выполняем SETUP с помощью метода курсора executescript(), который создает новую таблицу и вставляет данные
выводим after insertion для обозначения того, что последующий запрос к базе данных будет относиться к состоянию после вставки данных
выполняем запрос к БД для выбора всех записей из таблицы example с помощью метода execute() и fetchall() для извлечения результатов

Исключения SQLite в Python

src/exceptions.py

import sqlite3 SETUP = «»» CREATE TABLE example(num integer check(num > 0)); INSERT INTO example VALUES (10); INSERT INTO example VALUES (-1); INSERT INTO example VALUES (20); «»» connection = sqlite3.connect(«:memory:») cursor = connection.cursor() try: cursor.executescript(SETUP) except sqlite3.Error as exc: print(f»SQLite exception: {exc}») print(«after execution», cursor.execute(«SELECT * FROM example;»).fetchall())

out/exceptions.out

SQLite exception: CHECK constraint failed: num > 0 after execution [(10,)]

устанавливаем соединение с БД в оперативной памяти с помощью sqlite3.connect(«:memory:»)
создаём курсор для выполнения операци
создаём таблицу example и вставляем в нее 3 значения с помощью executescript()
в блоке try-except обрабатывается исключение sqlite3.Error, если произойдет какая-либо ошибка при выполнении запросов
выводим содержимое таблицы example после выполнения запросов с помощью метода fetchall()

Python и SQLite, ещё некоторые возможности

src/embedded_python.py

import sqlite3 SETUP = «»» CREATE TABLE example(num integer); INSERT INTO example VALUES (-10), (10), (20), (30); «»» def clip(value): if value < 0: return 0 if value > 20: return 20 return value connection = sqlite3.connect(«:memory:») connection.create_function(«clip», 1, clip) cursor = connection.cursor() cursor.executescript(SETUP) for row in cursor.execute(«SELECT num, clip(num) FROM example;»).fetchall(): print(row)

out/embedded_python.out

(-10, 0) (10, 10) (20, 20) (30, 20)

создаём БД SQLite в оперативной памяти, создаём табличку example, заполняем её таблицу значениями (-10, 10, 20, 30)
затем определяем функцию clip, которая принимает один аргумент и возвращает этот аргумент, если он находится между 0 и 20, или возвращает 0, если аргумент меньше 0, или возвращает 20, если аргумент больше 20
выбираем значения из столбца num таблицы example и применяет функцию clip к каждому значению

Работа с датой и временем

src/dates_times.py

from datetime import date import sqlite3 # Convert date to ISO-formatted string when writing to database def _adapt_date_iso(val): return val.isoformat() sqlite3.register_adapter(date, _adapt_date_iso) # Convert ISO-formatted string to date when reading from database def _convert_date(val): return date.fromisoformat(val.decode()) sqlite3.register_converter(«date», _convert_date) SETUP = «»» CREATE TABLE events(happened date NOT NULL, description text NOT NULL); «»» connection = sqlite3.connect(«:memory:», detect_types=sqlite3.PARSE_DECLTYPES) cursor = connection.cursor() cursor.execute(SETUP) cursor.executemany( «insert into events values (?, ?);», [(date(2024, 1, 10), «started tutorial»), (date(2024, 1, 29), «finished tutorial»)], ) for row in cursor.execute(«SELECT * FROM EVENTS;»).fetchall(): print(row)

out/dates_times.out

(datetime.date(2024, 1, 10), ‘started tutorial’) (datetime.date(2024, 1, 29), ‘finished tutorial’)

определяем функцию _adapt_date_iso(val) — она принимает дату и возвращает ее строковое представление в формате ISO
определяем функцию _convert_date(val) — она принимает строку в формате ISO и возвращает объект типа date
затем эти функции регистрируются в SQLite, чтобы обеспечить корректное преобразование данного типа данных при записи и чтении из базы данных
после этого создается строка SETUP, которая содержит SQL-команду для создания таблицы events с двумя столбцами: happened типа date и description типа text
с помощью cursor.executemany в таблицу events вставляются 2 записи с использованием значений типа date и строк
с помощью select * from events и cursor.execute извлекаем значения всех строк из таблицы events

SQL в Jupyter Notebooks

pip install jupysql %load_ext sql %sql sqlite:///data/penguins.db Connecting to ‘sqlite:///data/penguins.db’

Подключение к БД:
- sqlite:// — протокол с 2 слэшами в конце
- /data/penguins.db — 1 слэш спереди, это путь к локальной БД
1 знак процента %sql — для выполнения однострочных SQL-запросов
2 знака процента %%sql показывает, что вся ячейка будет восприниматься как один SQL-запрос

%%sql SELECT species, count(*) AS num FROM penguins GROUP BY species; Running query in ‘sqlite:///data/penguins.db’

species	num
Adelie	152
Chinstrap	68
Gentoo	124

Pandas и SQL

src/install_pandas.sh

pip install pandas

src/select_pandas.py

import pandas as pd import sqlite3 connection = sqlite3.connect(«db/penguins.db») query = «SELECT species, count(*) AS num FROM penguins GROUP BY species;» df = pd.read_sql(query, connection) print(df)

out/select_pandas.out

species num 0 Adelie 152 1 Chinstrap 68 2 Gentoo 124

select species, count(*) as num from penguins group by species; — извлекаем информацию о количестве пингвинов каждого вида из penguins и группируем результаты по видам
выполняем запрос к БД с использованием метода read_sql библиотеки pandas, который читает результаты запроса и преобразует их в объект DataFrame (df)

Polars и SQL

src/install_polars.sh

pip install polars pyarrow adbc-driver-sqlite

src/select_polars.py

import polars as pl query = «SELECT species, count(*) AS num FROM penguins GROUP BY species;» uri = «sqlite:///db/penguins.db» df = pl.read_database_uri(query, uri, engine=»adbc») print(df)

out/select_polars.out

shape: (3, 2) ┌───────────┬─────┐ │ species ┆ num │ │ — ┆ — │ │ str ┆ i64 │ ╞═══════════╪═════╡ │ Adelie ┆ 152 │ │ Chinstrap ┆ 68 │ │ Gentoo ┆ 124 │ └───────────┴─────┘

импортирует библиотеку Polars — она похожа на pandas, но с фокусом на параллельную обработку данных
выбираем столбец species и вычисляем количество записей для каждого вида пингвинов из таблицы penguins; результат группируем по столбцу species
устанавливаем строку подключения к базе данных SQLite в переменной uri
используем pl.read_database_uri для выполнения SQL-запроса query к БД, указанной в uri, используя движок adbc
выводим результат выполнения запроса в виде таблицы данных

ORM

src/orm.py

from sqlmodel import Field, Session, SQLModel, create_engine, select class Department(SQLModel, table=True): ident: str = Field(default=None, primary_key=True) name: str building: str engine = create_engine(«sqlite:///db/assays.db») with Session(engine) as session: statement = select(Department) for result in session.exec(statement).all(): print(result)

out/orm.out

building=’Chesson’ name=’Genetics’ ident=’gen’ building=’Fashet Extension’ name=’Histology’ ident=’hist’ building=’Chesson’ name=’Molecular Biology’ ident=’mb’ building=’TGVH’ name=’Endocrinology’ ident=’end’

создаём класс Department, который представляет модель данных для отделов; каждый атрибут класса соответствует столбцу в таблице БД
создаём объект engine, который представляет собой подключение к SQLite БД, где assays.db — это имя файла БД
создаём Session для взаимодействия с базой данных через созданный engine
формируем SQL-запрос с помощью select(Department), который выбирает все данные из таблицы, представленной моделью Department
выполняем запрос к БД через session.exec(statement).all(), который возвращает все строки, удовлетворяющие условию запроса

Продолжаем работать с ORM

src/orm_relation.py

class Staff(SQLModel, table=True): ident: str = Field(default=None, primary_key=True) personal: str family: str dept: Optional[str] = Field(default=None, foreign_key=»department.ident») age: int engine = create_engine(«sqlite:///db/assays.db») SQLModel.metadata.create_all(engine) with Session(engine) as session: statement = select(Department, Staff).where(Staff.dept == Department.ident) for dept, staff in session.exec(statement): print(f»{dept.name}: {staff.personal} {staff.family}»)

out/orm_relation.out

Histology: Divit Dhaliwal Molecular Biology: Indrans Sridhar Molecular Biology: Pranay Khanna Histology: Vedika Rout Genetics: Abram Chokshi Histology: Romil Kapoor Molecular Biology: Ishaan Ramaswamy Genetics: Nitya Lal

объявляем класс Staff; он использует SQLModel, что позволяет использовать этот класс как схему для создания таблицы в БД. Указание table=True в качестве аргумента класса говорит SQLModel о том, что данный класс должен отображаться в базу данных как таблица. У Staff есть несколько атрибутов :
- ident — строковое поле, которое будет использоваться в качестве первичного ключа в базе данных. Оно имеет значение по умолчанию None и задается как первичный ключ (primary_key=True)
- personal — строковое поле
- family — строковое поле
- dept — опциональное строковое поле; имеет значение по умолчанию None и устанавливается как внешний ключ (foreign_key=»department.ident»)
- age — целочисленное поле
после определения Staff, создается экземпляр движка для работы с БД SQLite с помощью вызова функции create_engine из библиотеки SQLAlchemy
затем вызываем метод create_all у метаданных SQLModel, что приводит к созданию всех таблиц, определенных в виде классов с помощью SQLModel, на основе ранее созданного движка базы данных
далее устанавливаем сессия БД с использованием созданного ранее движка
формируется SQL-запрос, который выбирает данные из таблиц Department и Staff, объединяя их по условию, что поле Staff.dept равно полю Department.ident
выполняем этот запрос в сессии БД, и для каждой строки результата выводится название отдела и персональные данные сотрудника

The end

Что ж, пользуйтесь этими примерами SQL-запросов на здоровье; особенно эта подборка может быть полезной, если хочется кому-то объяснить что-то из SQL, и нужен подходящий пример

Всех с пятницей!

Теги:

SQL
SQLite
СУБД
Шпаргалка
анализ данных

Хабы:

Python
SQL
SQLite

Источник