1、Over函数(分析统计函数)
1.1语法
sum/avg/count() over(partition by ..)
- over()在什么条件之上;
- partition by 按哪个字段划分组;
1.2示例
SELECT E.ENAME,
E.JOB,
E.SAL,
E.DEPTNO,
SUM(E.SAL) OVER(PARTITION BY E.DEPTNO) SUM_SAL, --统计某组中的总计值
AVG(E.SAL) OVER(PARTITION BY E.DEPTNO) AVG_SAL, --统计某组中的平均值
COUNT(E.SAL) OVER(PARTITION BY E.DEPTNO) COUNT_SAL --按某列分组,并统计该组中记录数量
FROM EMP E;
2、Pivot函数(行转列函数)
2.1语法
Pivot函数是将多行聚合并转置为列,每列代表不同范围的聚合数据。新语法的概述如下:
SELECT ...
FROM ...
PIVOT [XML]
( pivot_clause
pivot_for_clause
pivot_in_clause )
WHERE ...
- pivot_clause:定义要聚合的列(pivot 是聚合操作);
- pivot_for_clause:定义要分组和旋转的列;
- pivot_in_clause:为 pivot_for_clause中的列定义过滤器(即限制结果的值范围)。pivot_in_clause
中每个值的聚合将被转置到单独的列中(在适当的情况下)
2.2例子
以Emp表为例,按部门和工作对薪水求和,但将每个部门的总和转移到自己的列中。在我们调整工资之前,我们将检查基础数据,如下所示:
SQL> SELECT job
2 , deptno
3 , SUM(sal) AS sum_sal
4 FROM emp
5 GROUP BY
6 job
7 , deptno
8 ORDER BY
9 job
10 , deptno;
JOB DEPTNO SUM_SAL
--------- ---------- ----------
ANALYST 20 6600
CLERK 10 1430
CLERK 20 2090
CLERK 30 1045
MANAGER 10 2695
MANAGER 20 3272.5
MANAGER 30 3135
PRESIDENT 10 5500
SALESMAN 30 6160
9 rows selected.
对于每个职位,我们把部门进行行转列,让所有部门变成了列,显示工资总额,这样的数据相比较上面的数据更加简洁直观,如下所示:
SQL> WITH pivot_data AS (
2 SELECT deptno, job, sal
3 FROM emp
4 )
5 SELECT *
6 FROM pivot_data
7 PIVOT (
8 SUM(sal) --<-- pivot_clause
9 FOR deptno --<-- pivot_for_clause
10 IN (10,20,30,40) --<-- pivot_in_clause
11 );
JOB 10 20 30 40
--------- ---------- ---------- ---------- ----------
CLERK 1430 2090 1045
SALESMAN 6160
PRESIDENT 5500
MANAGER 2695 3272.5 3135
ANALYST 6600
5 rows selected.
3、综合运用
说明:根据列的特定值条件,统计符合条件数量.
3.1报表需求(如下):
3.2原始数据(如下):
select csm.short_name 经销商简称,
csm.code 经销商编码,
asa.product_time 生产日期, --生产日期
adp.pickup_date 提货日期, --提货日期
aso.orders_type, --订单类型 0:正单,1:改补单
aso.order_number 订单号, --订单数
apdi.tag_number 包号, --包数
apdi.quantity 件数 --件数
from aba --批次表
inner join asa --班次表
on asa.is_phantom = '0'
and asa.id = aba.shifts_audit_id
inner join apmi --装箱单信息
on apmi.batch_audit_id = aba.id
and apmi.is_phantom = '0'
inner join apdi --装箱单明细
on apdi.is_phantom = '0'
and apdi.package_main_info_id = apmi.id
inner join aso --销售订单
on aso.is_phantom = '0'
and aso.id = apmi.sales_order_id
inner join adp --提货计划
on adp.is_phantom = '0'
and adp.sale_order_id = aso.id
inner join csm
on csm.id = aso.dealer_id
and csm.is_phantom = '0'
where asa.product_time >= to_date('2022-03-01', 'yyyy-mm-dd')
AND asa.product_time <= to_date('2022-03-02', 'yyyy-mm-dd')
3.3综合运用(最终效果):
分析:根据上述报表和原始数据我们可以知道,一个订单包含了很多个包,每一行数据就是一包,我们需要按生产日期统计订单数,包数,件数,但是其中又根据订单类型进一步拆分了正单和改补单,因此我们可以把订单类型也加入到分组列当中,作为行转列的一个数据源列。
select 经销商简称,
经销商编码,
生产日期,
提货日期,
包数,
nvl(正单_订单数,0),
nvl(正单_板件数,0),
sum(正单_订单数) over (partition by 生产日期) 正单_订单小计,
sum(正单_板件数) over (partition by 生产日期) 正单_板件小计,
nvl(改补_订单数,0),
nvl(改补_板件数,0),
sum(改补_订单数) over (partition by 生产日期) 改补_订单小计,
sum(改补_板件数) over (partition by 生产日期) 改补_板件小计,
sum(nvl(正单_订单数,0) + nvl(改补_订单数,0)) over (partition by 生产日期) 订单合计,
sum(nvl(正单_板件数,0)+ nvl(改补_板件数,0)) over (partition by 生产日期) 板件合计
from (select csm.short_name 经销商简称,
csm.code 经销商编码,
asa.product_time 生产日期, --生产日期
adp.pickup_date 提货日期, --提货日期
decode(aso.orders_type, 0, 0, 1) orderType, --订单类型0:正单,1:改补单
count(distinct aso.order_number) orders, --订单数
count(distinct apdi.tag_number) 包数, --包数
sum(apdi.quantity) qty --件数
from aba --批次表
inner join asa --班次表
on asa.is_phantom = '0'
and asa.id = aba.shifts_audit_id
inner join apmi --装箱单信息
on apmi.batch_audit_id = aba.id
and apmi.is_phantom = '0'
inner join apdi --装箱单明细
on apdi.is_phantom = '0'
and apdi.package_main_info_id = apmi.id
inner join aso --销售订单
on aso.is_phantom = '0'
and aso.id = apmi.sales_order_id
inner join adp --提货计划
on adp.is_phantom = '0'
and adp.sale_order_id = aso.id
inner join csm_dealer csm
on csm.id = aso.dealer_id
and csm.is_phantom = '0'
where asa.product_time >= to_date('2022-03-01', 'yyyy-mm-dd')
AND asa.product_time <= to_date('2022-03-02', 'yyyy-mm-dd')
group by csm.short_name,
csm.code,
asa.product_time, --生产日期
adp.pickup_date, --提货日期
aso.orders_type)
pivot(sum(orders) as 订单数, sum(qty) 板件数
FOR orderType IN(0 AS 正单, 1 AS 改补))