SQL一对多关联查询：销售占比嵌套JSON实现与表设计评估

你搭建的三张表已经符合关系型数据库的基础设计逻辑，整体是合格的练习用结构：

• 正确实现“企业→产品系列→单品”的层级一对多关联，没有把企业名、系列名冗余存储在单品表中，满足第一范式的基本要求
• 外键字段的设计方向正确，没有出现跨层级关联的逻辑错误

目前可优化的细节：

• 三张表的ID字段需要明确标注为主键，避免插入重复ID导致关联错乱
• 外键关联字段要加外键约束，防止出现“单品关联不存在的产品系列ID”这类脏数据
• total_manufactured和sold字段要加非空约束、取值大于0的检查约束，匹配生产数据的真实校验规则
• 如果后续需要按时间维度统计销售，当前表结构缺少日期字段，可根据练习需求补充

先把统计规则拆解为可执行的步骤，完全匹配要求：

规则拆解：

1. 计算单个单品的销售率：已售数量 / 总生产数量
2. 单个产品系列的销售率：该系列下所有单品销售率的平均值
3. 企业整体销售占比：该企业下所有产品系列销售率的平均值
4. 适配你已掌握Python处理查询结果的习惯，不在SQL层面拼接嵌套JSON，通过平层查询拿结果，Python侧组装即可，兼容性更强

-- 第一步：获取每个企业下属各产品系列的销售率
SELECT
  c.Name AS company_name,
  ps.Name AS series_name,
  -- 保留2位小数匹配示例精度
  ROUND(AVG(p.sold * 1.0 / p.total_manufactured), 2) AS series_sale_rate
FROM PRODUCTS p
INNER JOIN PRODUCTSERIES ps 
  ON p.PRODUCTSERIES_FK = ps.ID
INNER JOIN COMPANY c 
  ON ps.COMPANY_FK = c.ID
GROUP BY c.ID, c.Name, ps.ID, ps.Name

注意：计算时乘以1.0是为了规避部分数据库的整数除法逻辑，避免两个整数相除直接取整丢失浮点数精度。

执行上述查询会得到平层的系列维度统计结果，例如：

-- 第二步：获取每个企业的整体销售占比
SELECT
  c.Name AS company_name,
  ROUND(AVG(series.series_sale_rate), 2) AS total_sales_pct
FROM (
  -- 嵌套上一步的系列维度统计逻辑
  SELECT
    ps.COMPANY_FK,
    ROUND(AVG(p.sold * 1.0 / p.total_manufactured), 2) AS series_sale_rate
  FROM PRODUCTS p
  INNER JOIN PRODUCTSERIES ps 
    ON p.PRODUCTSERIES_FK = ps.ID
  GROUP BY ps.ID, ps.COMPANY_FK
) series
INNER JOIN COMPANY c 
  ON series.COMPANY_FK = c.ID
GROUP BY c.ID, c.Name

在Python侧将两个查询的结果按企业名称关联，即可组装出你需要的嵌套JSON结构。

• 基础聚合能力：掌握AVG、ROUND、GROUP BY的使用，这是分层计算不同维度平均值的核心，是SQL查询的必会基础
• 多表关联逻辑：熟悉JOIN的关联条件匹配规则，理清层级表的关联关系
• 多层查询优化：后续可学习公用表表达式（CTE），简化多层嵌套的查询写法，提升代码可读性
• 表结构约束设计：掌握主键、外键、检查约束的使用方法，搭建更健壮的表结构

内容的提问来源于stack exchange，提问作者PJ47