共计 1980 个字符，预计需要花费 5 分钟才能阅读完成。
作者 |Soner Yıldırım
编译 |VK
起源 |Towards Data Science
SQL 是一种编程语言，大多数关系数据库管理系统（RDBMS）都应用它来治理以表格模式（即表）存储的数据。
SQL 是数据科学家所冀望的一项基本技能。你可能会说，这是一个数据工程师的工作，但数据科学家的角色往往是全套的。此外，作为一名数据科学家，你不心愿依赖数据工程师从数据库中检索数据。
在本文中，咱们将编写简单的查问来检索存储在表中的数据。我曾经将 客户散失数据集(https://www.kaggle.com/shubh0…。
咱们将从简略的查问开始，逐渐减少复杂性。我将形容所需的数据，而后编写查问以从表中检索数据。
让咱们先看看表中的列。
对于客户和他们在银行的账户有一些特点。“Exited”列批示客户是否散失（即来到银行）。
咱们当初能够开始查问了。
“CustomerId”和“姓氏”列的前 5 行
SELECT CustomerId, Surname
FROM CHURN
LIMIT 5;
余额最高的客户的 ID
SELECT CustomerId, MAX(Balance)
FROM CHURN;
咱们没有检索整个“Balance”列，而是应用 MAX 函数仅抉择该列中的最大值。
余额排名前 5 位的客户
咱们不能在这个查问中应用 MAX，因为咱们须要排名前 5 的客户。咱们能够做的是依据余额对客户进行排序，而后抉择应用 LIMIT 失去前 5 名。
SELECT Geography, Balance
FROM CHURN
ORDER BY Balance DESC
LIMIT 5;
没有信用卡的顾客的平均年龄
有一个条件，所以咱们应用 WHERE 语句。
SELECT AVG(Age)
FROM CHURN
WHERE HasCrCard = 0;
39.1121如果你想晓得，领有信用卡的顾客的平均年龄是 38.8424 岁。
每个国家领有 2 种以上产品的客户数量
咱们将应用另一个聚合函数来计算客户数量。为了依据属性对客户进行分组，将应用 GROUPBY 语句。
SELECT Geography, COUNT(CustomerId)
FROM CHURN
WHERE NumOfProducts > 2
GROUP BY Geography;
基于产品数量的平均工资
咱们能够将 AVG 函数利用于薪资，并按产品数量分组。
SELECT NumOfProducts, AVG(EstimatedSalary)
FROM CHURN
GROUP BY NumOfProducts;
WHERE 语句容许咱们抉择合乎一个或多个条件的条目。然而，它不能与聚合函数一起应用。
对于下面的查问，咱们只对平均值大于 100000 的产品类别感兴趣。因而，咱们须要对平均值利用一个条件，这个条件能够应用 HAVING 语句来实现。
SELECT NumOfProducts, AVG(EstimatedSalary)
FROM CHURN
GROUP BY NumOfProducts
HAVING AVG(EstimatedSalary) > 100000;
50 岁以上并且余额高于平均水平的客户
咱们在这里介绍两个新主题。一种是应用多个条件（age 和 balance），另一种是嵌套的 SELECT 语句。
咱们能够应用 AND 和 OR 等逻辑运算符在 WHERE 语句中组合多个条件。一个条件显式给定（age>50），但另一个条件须要应用另一个 SELECT 语句在表上计算。这就是咱们须要嵌套 SELECT 语句的中央。
SELECT CustomerId, Age, Balance
FROM CHURN
WHERE Age > 50 AND Balance > (SELECT AVG(Balance)
FROM CHURN );
余额上的条件是另一个 SELECT 语句。
为已来到的女性并且存留工夫超过了平均水平的客户数量
它与后面的示例相似，但有一个附加条件。咱们将依据三个条件统计客户数量：
- 性别
- Exited= 1
- 客户在银行的存留工夫
SELECT COUNT(CustomerId) AS 'Number of Customers'
FROM CHURN
WHERE Gender = 'Female' AND Exited=1 AND Tenure > (SELECT AVG(Tenure)
FROM CHURN);咱们还能够应用“AS”关键字调整后果集中列的名称。
）
论断
咱们曾经探讨了一些根本和简单的查问。咱们通过查问实现的是一些计算和过滤。因而，咱们只能检索咱们须要的数据。
因为理论的数据库蕴含更多的数据和许多关系表，因而可能应用 SQL 查问所需的数据是十分重要的。
原文链接：https://towardsdatascience.co…
欢送关注磐创 AI 博客站：
http://panchuang.net/
sklearn 机器学习中文官网文档：
http://sklearn123.com/
欢送关注磐创博客资源汇总站：
http://docs.panchuang.net/