如何在含数千条记录的SQL列中定位正确的指标名称？

练习背景 #

我正在学习数据分析用的SQL，今日的练习任务是：

统计2015年全球各地区符合中等教育官方年龄的人口数量，要求排除地区信息缺失的行，用SUM(value)计算各地区总人口，并按人口数从高到低排序。

我已经写出了对应的SQL代码，但遇到一个问题：这次练习是直接给定了指标名称Population of the official age for secondary education, both sexes (number)，但如果没有这个提示，我该怎么在有数千条目的indicator_name列里找到正确的名称？

我的SQL代码 #

SELECT
  summary.region,
  SUM(edu.value) AS secondary_edu_population
FROM
  `bigquery-public-data.world_bank_intl_education.international_education` AS edu
INNER JOIN
  `bigquery-public-data.world_bank_intl_education.country_summary` AS summary
ON edu.country_code = summary.country_code
WHERE
  summary.region IS NOT NULL
  -- 若未给定该名称，如何找到对应指标？
  AND edu.indicator_name = 'Population of the official age for secondary education, both sexes (number)' 
  AND edu.year = 2015
GROUP BY summary.region
ORDER BY secondary_edu_population DESC

实用查找方法 #

1. 关键词模糊匹配 #

用LIKE或正则匹配核心关键词，比如围绕“中等教育（secondary education）”“官方年龄（official age）”“人口（population）”这些词缩小范围：

-- 用LIKE做模糊匹配
SELECT DISTINCT indicator_name
FROM `bigquery-public-data.world_bank_intl_education.international_education`
WHERE indicator_name LIKE '%secondary education%' 
  AND indicator_name LIKE '%official age%' 
  AND indicator_name LIKE '%population%';

如果是BigQuery，用正则表达式能更灵活处理关键词顺序：

SELECT DISTINCT indicator_name
FROM `bigquery-public-data.world_bank_intl_education.international_education`
WHERE REGEXP_CONTAINS(indicator_name, r'secondary education.*official age.*population|population.*official age.*secondary education');

2. 按指标分类前缀筛选 #

世界银行的教育数据指标命名有规律，先提取前缀看分类，快速定位相关指标组：

-- 提取指标名称的前缀分类
SELECT DISTINCT SPLIT(indicator_name, ',')[OFFSET(0)] AS indicator_category
FROM `bigquery-public-data.world_bank_intl_education.international_education`
ORDER BY indicator_category;

找到和人口、教育年龄相关的分类后，再进一步筛选具体指标。

3. 结合指标代码验证 #

数据集里的indicator_code通常是标准化的，不会像名称那样有长描述，可同时查看代码和名称，方便识别和后续复用：

-- 同时查看指标代码和名称
SELECT DISTINCT indicator_code, indicator_name
FROM `bigquery-public-data.world_bank_intl_education.international_education`
WHERE indicator_name LIKE '%secondary education%' AND indicator_name LIKE '%population%';

后续查询用indicator_code更可靠，避免名称拼写或格式变化的问题。

4. 抽样数据辅助判断 #

如果不确定找到的指标是否正确，抽样几条数据看数值范围——人口数据通常是大数字，和入学率这类百分比指标区分开：

-- 抽样查看匹配到的指标数据
SELECT indicator_name, value, year, country_code
FROM `bigquery-public-data.world_bank_intl_education.international_education`
WHERE indicator_name LIKE '%secondary education%' AND indicator_name LIKE '%population%'
LIMIT 10;

通过数值大小和描述，确认是否是你需要的“人口数量”指标，而非其他相关统计项。

内容的提问来源于stack exchange，提问作者Viktor Neiwert