详解SQL语句的集合运算

以前总是追求新东西，发现基础才是最重要的，今年主要的目标是精通SQL查询和SQL性能优化。

概述

本篇主要是对集合运算中并集、交集、差集运算基础的总结。

集合运算包含四种：

1.并集运算(两种)

2.交集运算

3.差集运算

下面是集合运算的思维导图：

 

 

为什么使用集合运算

1.在集合运算中比联接查询和EXISTS/NOT EXISTS更方便。

在阅读下面的章节时，我们可以先把环境准备好，以下的SQL脚本可以帮助大家创建数据库，创建表，插入数据。

一、集合运算

1.集合运算

(1)对输入的两个集合或多集进行的运算。

(2)多集：由两个输入的查询生成的可能包含重复记录的中间结果集。

(3)T-SQL支持三种集合运算：并集(UNION)、交集(INTERSECT)、差集(EXCEPT)

2.语法

集合运算的基本格式：

输入的查询1

集合运算符>

输入的查询2

[ORDER BY]

3.要求

(1)输入的查询不能包含ORDER BY字句;

(2)可以为整个集合运算结果选择性地增加一个ORDER BY字句;

(3)每个单独的查询可以包含所有逻辑查询处理阶段(处理控制排列顺序的ORDER BY字句);

(4)两个查询 必须包含相同的列数;

(5)相应列必须具有兼容的数据类型。兼容个的数据类型：优先级较低的数据类型必须能隐式地转换为较高级的数据类型。比如输入的查询1的***列为int类型，输入的查询2的***列为float类型，则较低的数据类型int类型可以隐式地转换为较高级float类型。如果输入的查询1的***列为char类型，输入的查询2的***列为datetime类型，则会提示转换失败：从字符串转换日期和/或时间时，转换失败;

(6)集合运算结果中列名由输入的查询1决定，如果要为结果分配结果列，应该在输入的查询1中分配相应的别名;

(7)集合运算时，对行进行进行比较时，集合运算认为两个NULL相等;

(8)UNION支持DISTINCT和ALL。不能显示指定DISTINCT字句，如果不指定ALL，则默认使用DISTINCT;

(9)INTERSET和EXCEPT默认使用DISTINCT，不支持ALL。

二、UNION(并集)集合运算

1.并集的文氏图

并集：两个集合的并集是一个包含集合A和B中所有元素的集合。

图中阴影区域代表集合A与集合B的并集

 

 

2.UNION ALL集合运算

(1)假设Query1返回m行，Query2返回n行，则Query1 UNION ALL Query2返回(m+n)行;

(2)UNION ALL 不会删除重复行，所以它的结果就是多集，而不是真正的集合;

(3)相同的行在结果中可能出现多次。

3.UNION DISTINCT集合运算

(1)假设Query1返回m行，Query2返回n行，Query1和Query2有相同的h行，则Query1 UNION Query2返回(m+n-h)行;

(2)UNION 会删除重复行，所以它的结果就是集合;

(3)相同的行在结果中只出现一次。

(4)不能显示指定DISTINCT字句，如果不指定ALL，则默认使用DISTINCT。

(5)当Query1与Query2比较某行记录是否相等时，会认为取值为NULL的列是相等的列。

三、INTERSECT(交集)集合运算

1.交集的文氏图

交集：两个集合(记为集合A和集合B)的交集是由既属于A，也属于B的所有元素组成的集合。

图中阴影区域代表集合A与集合B的交集

 

 

2.INTERSECT DISTINCT集合运算

(1)假设Query1返回 m 行，Query2返回 n 行，Query1和Query2有相同的 h 行，则Query1 INTERSECT Query2返回 h 行;

(2)INTERSECT集合运算在逻辑上首先删除两个输入多集中的重复行(把多集变为集合)，然后返回只在两个集合中都出现的行;

(3)INTERSECT 会删除重复行，所以它的结果就是集合;

(4)相同的行在结果中只出现一次。

(5)不能显示指定DISTINCT字句，如果不指定ALL，则默认使用DISTINCT。

(6)当Query1与Query2比较某行记录是否相等时，会认为取值为NULL的列是相等的列。

(7)用内联接或EXISTS谓词可以代替INTERSECT集合运算，但是必须对NULL进行处理，否则这两种方法对NULL值进行比较时，比较结果都是UNKNOWN，这样的行会被过滤掉。

3.INTERSECT ALL集合运算

(1)ANSI SQL支持带有ALL选项的INTERSECT集合运算，但SQL Server2008现在还没有实现这种运算。后面会提供一种用于T-SQL实现的替代方案;

(2)假设Query1返回 m 行，Query2返回 n 行，如果行R在Query1中出现了x次，在Query2中出现了y次，则行R应该在INTERSECT ALL运算之后出现minimum(x，y)次。

下面提供用于T-SQL实现的INTERSECT ALL集合运算：公用表表达式 + 排名函数

 

 

结果如下：

 

 

其中UK NULL London有四个重复行，

在排序函数的OVER字句中使用 ORDER BY ( SELECT 常量> )可以告诉SQL Server不必在意行的顺序。

四、EXCEPT(差集)集合运算

1.差集的文氏图

差集：两个集合(记为集合A和集合B)的由属于集合A，但不属于集合B的所有元素组成的集合。

图中阴影区域代表集合A与集合B的差集

 

 

2.EXCEPT DISTINCT集合运算

(1)假设Query1返回 m 行，Query2返回 n 行，Query1和Query2有相同的 h 行，则Query1 INTERSECT Query2返回 m – h 行,而Query2 INTERSECT Query1 返回 n – h 行

(2)EXCEPT集合运算在逻辑上先删除两个输入多集中的重复行(把多集转变成集合)，然后返回只在***个集合中出现，在第二个集合众不出现所有行。

(3)EXCEPT 会删除重复行，所以它的结果就是集合;

(4)EXCEPT是不对称的，差集的结果取决于两个查询的前后关系。

(5)相同的行在结果中只出现一次。

(6)不能显示指定DISTINCT字句，如果不指定ALL，则默认使用DISTINCT。

(7)当Query1与Query2比较某行记录是否相等时，会认为取值为NULL的列是相等的列。

(8)用左外联接或NOT EXISTS谓词可以代替INTERSECT集合运算，但是必须对NULL进行处理，否则这两种方法对NULL值进行比较时，比较结果都是UNKNOWN，这样的行会被过滤掉。

3.EXCEPT ALL集合运算

(1)ANSI SQL支持带有ALL选项的EXCEPT集合运算，但SQL Server2008现在还没有实现这种运算。后面会提供一种用于T-SQL实现的替代方案;

(2)假设Query1返回 m 行，Query2返回 n 行，如果行R在Query1中出现了x次，在Query2中出现了y次,且x>y，则行R应该在EXCEPT ALL运算之后出现 x – y 次。

下面提供用于T-SQL实现的EXCEPT ALL集合运算：公用表表达式 + 排名函数

WITH    INTERSECT_ALL 
 
          AS ( 
 
　　　　　　　　　SELECT   ROW_NUMBER() OVER ( PARTITION BY country, region, city ORDER BY ( SELECT 
 
                                                              0 
 
                                                              ) ) AS rownum , 
 
                        country , 
 
                        region , 
 
                        city 
 
               FROM     HR.Employees 
 
               EXCEPT 
 
               SELECT   ROW_NUMBER() OVER ( PARTITION BY country, region, city ORDER BY ( SELECT 
 
                                                              0 
 
                                                              ) ) AS rownum , 
 
                        country , 
 
                        region , 
 
                        city 
 
               FROM     Sales.Customers 
 
             ) 
 
    SELECT  country , 
 
            region , 
 
            city 
 
    FROM    INTERSECT_ALL 

 

结果如下：

 

 

五、集合运算的优先级

1.INTERSECT>UNION=EXCEPT

2.首先计算INTERSECT,然后从左到右的出现顺序依次处理优先级的相同的运算。

3.可以使用圆括号控制集合运算的优先级，它具有***的优先级。

六、特殊处理

1.只有ORDER BY能够直接应用于集合运算的结果;

2.其他阶段如表运算符、WHERE、GROUP BY、HAVING等，不支持直接应用于集合运算的结果，这个时候可以使用表表达式来避开这一限制。如根据包含集合运算的查询定义个表表达式，然后在外部查询中对表表达式应用任何需要的逻辑查询处理;

3.ORDER BY字句不能直接应用于集合运算中的单个查询，这个时候可以TOP+ORDER BY字句+表表达式来避开这一限制。如定义一个基于该TOP查询的表表达式，然后通过一个使用这个表表达式的外部查询参与集合运算。

七、练习题

1.写一个查询，返回在2008年1月有订单活动，而在2008年2月没有订单活动的客户和雇员。

期望结果：

 

 

方案一：EXCEPT

(1)先用查询1查询出2008年1月份有订单活动的客户和雇员

(2)用查询2查询2008年2月份客户的订单活动的客户和雇员

(3)用差集运算符查询2008年1月有订单活动而2008年2月没有订单活动的客户和雇员

SELECT  custid , 
 
        empid 
 
FROM    Sales.Orders 
 
WHERE   orderdate >= '20080101' 
 
        AND orderdate = '20080201' 
 
        AND orderdate 

 

方案二：NOT EXISTS

必须保证custid，empid不能为null，才能用NOT EXISTS进行查询，如果custid或empid其中有null值存在，则不能用NOT EXISTS进行查询，因为比较NULL值的结果是UNKNOWN，这样的行用NOT EXISTS查询返回的子查询的行会被过滤掉，所以***的外查询会多出NULL值的行，***查询结果中会多出NULL值的行。

SELECT  custid , 
 
        empid 
 
FROM    Sales.Orders AS O1 
 
WHERE   orderdate >= '20080101' 
 
        AND orderdate = '20080201' 
 
                                AND orderdate 

 

如果我往Sales.Orders表中插入两行数据：

插入cutid=NULL,empid=1,orderdate=‘20080101’

INSERT  INTO [TSQLFundamentals2008].[Sales].[Orders] 
 
        ( [custid] , 
 
          [empid] , 
 
          [orderdate] , 
 
          [requireddate] , 
 
          [shippeddate] , 
 
          [shipperid] , 
 
          [freight] , 
 
          [shipname] , 
 
          [shipaddress] , 
 
          [shipcity] , 
 
          [shipregion] , 
 
          [shippostalcode] , 
 
          [shipcountry] 
 
        ) 
 
VALUES  ( NULL , 
 
          1 , 
 
          '20080101' , 
 
          '20080101' , 
 
          '20080101' , 
 
          1 , 
 
          1 , 
 
          'A' , 
 
          '20080101' , 
 
          'A' , 
 
          'A' , 
 
          'A' , 
 
          'A' 
 
        ) 
 
GO 

 

插入cutid=NULL,empid=1,orderdate=‘20080201’

INSERT  INTO [TSQLFundamentals2008].[Sales].[Orders] 
 
        ( [custid] , 
 
          [empid] , 
 
          [orderdate] , 
 
          [requireddate] , 
 
          [shippeddate] , 
 
          [shipperid] , 
 
          [freight] , 
 
          [shipname] , 
 
          [shipaddress] , 
 
          [shipcity] , 
 
          [shipregion] , 
 
          [shippostalcode] , 
 
          [shipcountry] 
 
        ) 
 
VALUES  ( NULL , 
 
          1 , 
 
          '20080201' , 
 
          '20080101' , 
 
          '20080101' , 
 
          1 , 
 
          1 , 
 
          'A' , 
 
          '20080101' , 
 
          'A' , 
 
          'A' , 
 
          'A' , 
 
          'A' 
 
        ) 
 
GO 

 

用方案一查询出来结果为50行，会把cutid=NULL,empid=1的行过滤掉

用方案二查询出来结果为51行，不会把cutid=NULL,empid=1的行过滤掉

用下面的方案可以解决上面的问题，需要处理cutid=NULL,或者empid=null的情况。返回50行

SELECT  custid , 
 
        empid 
 
FROM    Sales.Orders AS O1 
 
WHERE   orderdate >= '20080101' 
 
        AND orderdate = '20080201' 
 
                            AND orderdate 

 

2.写一个查询，返回在2008年1月和在2008年2月都有订单活动的客户和雇员。

期望结果：

 

 

方案一：INTERSECT

(1)先用查询1查询出2008年1月份有订单活动的客户和雇员

(2)用查询2查询2008年2月份客户的订单活动的客户和雇员

(3)用交集运算符查询2008年1月和2008年2月都有订单活动的客户和雇员

SELECT  custid , 
 
        empid 
 
FROM    Sales.Orders 
 
WHERE   orderdate >= '20080101' 
 
        AND orderdate = '20080201' 
 
        AND orderdate 

 

方案二：EXISTS

必须保证custid，empid不能为null，才能用EXISTS进行查询，如果custid或empid其中有null值存在，则不能用EXISTS进行查询，因为比较NULL值的结果是UNKNOWN，这样的行用EXISTS查询返回的子查询的行会被过滤掉，所以***的外查询会少NULL值的行，***查询结果中会少NULL值的行。

SELECT  custid , 
 
        empid 
 
FROM    Sales.Orders AS O1 
 
WHERE   orderdate >= '20080101' 
 
        AND orderdate = '20080201' 
 
                            AND orderdate 

 

如果我往Sales.Orders表中插入两行数据：

插入cutid=NULL,empid=1,orderdate=’20080101′

插入cutid=NULL,empid=1,orderdate=’20080201′

用方案一查询出来结果为6行，不会把cutid=NULL,empid=1的行过滤掉

用方案二查询出来结果为5行，会把cutid=NULL,empid=1的行过滤掉

用下面的方案可以解决上面的问题，需要处理cutid=NULL,或者empid=null的情况。返回6行。

SELECT  custid , 
 
        empid 
 
FROM    Sales.Orders AS O1 
 
WHERE   orderdate >= '20080101' 
 
        AND orderdate = '20080201' 
 
                            AND orderdate 

 

3.写一个查询，返回在2008年1月和在2008年2月都有订单活动，而在2007年没有订单活动的客户和雇员

期望结果：

 

 

方案一：INTERSECT + EXCEPT

SELECT  custid , 
 
        empid 
 
FROM    Sales.Orders 
 
WHERE   orderdate >= '20080101' 
 
        AND orderdate = '20080201' 
 
        AND orderdate = '20070101' 
 
        AND orderdate 

 

方案二：EXISTS + NOT EXISTS

SELECT  custid , 
 
        empid 
 
FROM    Sales.Orders AS O1 
 
WHERE   orderdate >= '20080101' 
 
        AND orderdate = '20080201' 
 
                            AND orderdate = '20070101' 
 
                                AND orderdate