SQL GROUP BY子句使用时机、分组元素选择及示例解析

• 使用时机：当你需要对数据按特定维度做聚合统计时必须用到GROUP BY。比如要统计不同用户类型的骑行次数、不同起止路线的平均时长这类需求，就得用GROUP BY把相同维度属性的行归为一组，再配合COUNT、AVG、SUM这类聚合函数计算每组的统计值。
• 分组元素的确定规则：核心原则是SELECT子句中所有非聚合函数的列或表达式，必须全部出现在GROUP BY子句中。如果SELECT里的字段没有被聚合函数包裹，那它就得作为分组依据；如果是由多个字段拼接/计算出来的表达式（比如示例里的route），要么把整个表达式放进GROUP BY，要么把组成该表达式的所有字段都放进去（只要逻辑等价即可）。

先看目标查询代码：

SELECT
    usertype,
    CONCAT(start_station_name, " to ", end_station_name) AS route,
    COUNT(*) AS num_trips,
    ROUND(AVG(CAST(tripduration as int64)/60), 2) AS duration
FROM
    `bigquery-public-data.new_york.citibike_trips`
GROUP BY
    start_station_name, end_station_name, usertype
ORDER BY
    num_trips DESC
LIMIT 100

1. 为何要按start_station_name、end_station_name、usertype进行分组？ #

首先符合SQL语法规则：SELECT里的usertype是非聚合列，route是由start_station_name和end_station_name拼接而来的非聚合表达式，这三个字段（或组成表达式的字段）必须全部加入GROUP BY。从业务角度看，这个查询的目的是统计不同用户类型、不同起止站点组合的骑行次数和平均时长，只有按这三个维度分组，才能得到每个组合对应的统计结果。

2. 该分组操作的字面含义是什么？ #

把bigquery-public-data.new_york.citibike_trips表中的所有骑行记录，按照**用户类型（usertype）、起始站点名称（start_station_name）、结束站点名称（end_station_name）**这三个字段的取值组合来归类：只要某几条记录的这三个字段值完全一致，就把它们划到同一个组里，之后对每个组分别计算该组的总骑行次数（COUNT(*)）和平均骑行时长（转换为分钟并保留两位小数）。

3. 移除GROUP BY子句中的任意一个元素后报错的原因是什么？ #

这是违反了SQL的核心语法规则：SELECT中的非聚合列/表达式必须全部包含在GROUP BY中。比如如果移除start_station_name，SELECT里的route依赖这个字段，但数据库无法确定在分组后该用哪一个start_station_name值来拼接end_station_name，同时聚合函数（COUNT、AVG）也失去了明确的分组维度，无法确定要对哪些行进行统计计算，因此数据库会抛出语法错误。

内容的提问来源于stack exchange，提问作者Overcomer Victor