GROUPING SETS允许在一个查询中生成多维度聚合结果，简化复杂报表。通过一次数据扫描实现总销售额、按地区、按年份及组合分组的汇总，相比UNION ALL减少多次表扫描，提升性能。其核心是GROUP BY后指定多个分组组合，如(GROUPING SETS ((Year, Region), (Year), (Region), ()))，并可用GROUPING函数标识聚合层级。相比ROLLUP（生成层次汇总）和CUBE（生成所有组合），GROUPING SETS更灵活，适用于定制化聚合需求，广泛用于多维报表、财务分析、ETL预聚合及BI数据准备场景，显著提高查询效率与代码可维护性。
SQL GROUPING SETS
是一种非常灵活且强大的SQL聚合功能，它允许你在一个单独的查询中，生成多个不同维度或粒度的分组聚合结果，而无需编写多个
GROUP BY
语句再用
UNION ALL
连接起来。简单来说，它能让你用一次数据扫描，就得到多种你想要的汇总数据视图，比如总销售额、按地区销售额、按产品销售额，甚至是按地区和产品组合的销售额，极大地简化了复杂报表的生成过程。
解决方案
在使用
GROUPING SETS
时，我们不再需要为每一种聚合需求单独写一个
SELECT ... GROUP BY
语句，然后用
UNION ALL
把它们拼起来。这在处理多维报表或者需要同时查看不同聚合层级数据时，效率和可维护性都会大打折扣。
GROUPING SETS
的核心思想是，你在
GROUP BY
子句后面，明确指定你希望生成哪些不同的分组组合。
我们来看一个具体的例子。假设我们有一个
Sales
表，包含
Year
（年份）、
Region
（地区）、
Product
（产品）和
Amount
（销售额）字段。现在，我们想同时看到以下几种销售额：
- 总销售额（不按任何维度分组）
- 按年份的销售额
- 按地区的销售额
- 按年份和地区组合的销售额
如果用传统方法，你可能需要写四个
SELECT ... GROUP BY
语句，然后
UNION ALL
。但有了
GROUPING SETS
，一个查询就能搞定：
SELECT Year, Region, SUM(Amount) AS TotalAmount FROM Sales GROUP BY GROUPING SETS ( (Year, Region), -- 按年份和地区分组 (Year), -- 仅按年份分组 (Region), -- 仅按地区分组 () -- 不分组，即总计 ) ORDER BY Year, Region;
在这个查询中，
GROUPING SETS
后面的括号里，每一个子括号都代表一个独立的
GROUP BY
组合。
-
(Year, Region)
：这会生成按年份和地区分组的销售额。
-
(Year)
：这会生成仅按年份分组的销售额，此时
Region
列会显示
NULL
，表示这个聚合结果不区分地区。
-
(Region)
：这会生成仅按地区分组的销售额，此时
Year
列会显示
NULL
。
-
()
：这表示不按任何列分组，生成的是所有数据的总销售额，此时
Year
和
Region
都会显示
NULL
。
通过观察结果中
Year
和
Region
列的
NULL
值，我们就能区分出不同的聚合层级。为了让结果更清晰，SQL还提供了
GROUPING(column_name)
函数，它会返回0（如果该列参与了当前分组）或1（如果该列没有参与当前分组，即为聚合的“超行”）。
SELECT Year, Region, SUM(Amount) AS TotalAmount, GROUPING(Year) AS IsYearAggregated, GROUPING(Region) AS IsRegionAggregated FROM Sales GROUP BY GROUPING SETS ( (Year, Region), (Year), (Region), () ) ORDER BY Year, Region;
这样，
IsYearAggregated
和
IsRegionAggregated
就能更明确地指示每一行数据代表的聚合级别。
为什么GROUPING SETS比UNION ALL更高效？
我记得有一次，面对一个需要几十种组合聚合的报表需求，如果用
UNION ALL
，那查询语句简直是噩梦，维护起来更是灾难。
GROUPING SETS
简直是救星，代码量直接砍掉一大半，而且跑得飞快。这背后是有原因的：
首先，性能上的巨大优势是显而易见的。当使用
UNION ALL
时，数据库通常需要对基表进行多次扫描（每个
SELECT
语句至少扫描一次）。这意味着如果你的表很大，数据会被读取和处理多次，I/O和CPU开销都会成倍增加。而
GROUPING SETS
则不同，它通常只需要对基表进行一次扫描。数据库的查询优化器能够识别出
GROUPING SETS
的意图，在一次数据读取和处理的过程中，并行或顺序地计算出所有指定的分组聚合结果。这种单次扫描的机制，在处理大数据量时，能带来非常显著的性能提升。
其次，从数据库优化器的角度来看，
GROUPING SETS
提供了一个更清晰的优化路径。优化器可以更好地规划执行策略，比如利用共享的排序操作或哈希聚合，从而减少重复计算。而
UNION ALL
拼接的多个独立查询，优化器可能无法在它们之间找到这种共享优化的机会。
再者，代码的简洁性和可维护性也是一个重要考量。一个复杂的
UNION ALL
查询可能会有几十甚至上百行，任何一个聚合逻辑的微小改动，都可能导致你需要修改多个
SELECT
子句，容易出错。
GROUPING SETS
则将所有聚合逻辑集中在一个
GROUP BY
子句中，代码量大大减少，也更容易阅读和维护。对我来说，这种清晰的表达方式本身就是一种效率。
当然，对于非常简单的，只有一两个聚合组合的场景，
UNION ALL
和
GROUPING SETS
之间的性能差异可能不那么明显。但只要聚合组合的数量增加，或者数据量变大，
GROUPING SETS
的优势就会立刻凸显出来。
GROUPING SETS、ROLLUP和CUBE有什么区别？
在SQL的聚合功能里，
GROUPING SETS
、
ROLLUP
和
CUBE
是三个密切相关但又各有侧重的概念。我喜欢把它们想象成不同级别的“聚合套餐”：
-
GROUPING SETS
：定制套餐（最灵活）
GROUPING SETS
是最通用、最灵活的选项。它就像一个菜单，你明确告诉数据库你想要哪些具体的聚合组合。比如，
GROUPING SETS ((A, B), (A), (C))
，你就指定了这三种组合。它不会自动生成你没明确指出的组合，完全按你的需求来。如果你只需要某些特定的、非连续的聚合层级，
GROUPING SETS
就是最佳选择。
-
ROLLUP
：分层套餐（有层次感）
ROLLUP
是
GROUPING SETS
的一个语法糖，专门用于生成层次性的聚合结果。它会从最详细的维度开始，逐步向上汇总，直到生成一个总计。它的顺序很重要。例如，
ROLLUP(A, B, C)
会生成以下
GROUPING SETS
组合：
-
(A, B, C)
：最详细的组合
-
(A, B)
：按A和B汇总
-
(A)
：仅按A汇总
-
()
：总计 你会发现，它总是沿着你指定的列的顺序，生成所有前缀组合以及一个总计。这在需要生成总计、小计和明细的报表时非常方便，比如按年-月-日逐级汇总销售额。
-
-
CUBE
：豪华自助餐（所有组合）
CUBE
也是
GROUPING SETS
的语法糖，但它更“大方”。它会生成所有可能的分组组合，包括你指定列的所有排列组合以及一个总计。如果你有N个列，
CUBE
会生成
2^N
种组合。例如，
CUBE(A, B)
会生成以下
GROUPING SETS
组合：
-
(A, B)
-
(A)
-
(B)
-
()
：总计
CUBE
在进行多维度分析时非常有用，因为它能一次性提供所有维度的聚合视图。但缺点是，如果维度过多，生成的组合数量会呈指数级增长，可能导致结果集非常庞大，计算量也很大，甚至包含一些你根本不需要的组合。
-
总结一下，
GROUPING SETS
是基石，它提供了最大的灵活性。
ROLLUP
和
CUBE
是基于
GROUPING SETS
的快捷方式，分别用于处理特定模式的聚合需求：
ROLLUP
适用于层次性汇总，
CUBE
适用于全维度交叉汇总。选择哪一个，取决于你具体需要哪些聚合组合。
在实际业务中，GROUPING SETS有哪些典型应用场景？
在我的职业生涯中，
GROUPING SETS
解决了不少让我头疼的业务问题，它的应用场景远比我们想象的要广泛，尤其是在数据分析和报表生成领域：
-
多维度报表生成： 这是最常见的应用。比如，销售部门需要一张报表，既要看全国总销售额，又要看各省份的销售额，还要看每个省份下不同城市的销售额，甚至细化到每个城市不同产品的销售额。如果用传统的
GROUP BY
加
UNION ALL
，那SQL语句会变得非常冗长，而且每次执行都要扫描好几次数据。
GROUPING SETS
在这里就显得非常强大，一个查询就把所有层级的数据都算出来了，大大简化了开发和维护。
-
财务分析与成本核算： 财务部门经常需要从不同维度来分析成本或利润，比如按部门、按项目、按成本中心、按产品线，或者这些维度的各种组合。
GROUPING SETS
能够在一个查询中快速生成这些多维度的汇总数据，帮助财务人员更全面地洞察公司的运营状况。
-
数据仓库ETL过程中的预聚合： 在数据仓库的ETL（抽取、转换、加载）过程中，为了提高后续BI报表查询的效率，我们经常会创建一些汇总表（Summary Tables）或聚合事实表。
GROUPING SETS
是生成这些预聚合数据的利器。它能高效地在加载数据时就计算出多种粒度的聚合结果，存储到汇总表中，这样终端用户查询时就无需实时计算，大大加快了报表响应速度。
-
业务智能（BI）工具的数据准备： 许多BI工具在连接数据源时，需要获取不同粒度的聚合数据。使用
GROUPING SETS
可以为BI工具提供一个包含多种聚合层级的视图，使得分析师在BI工具中进行钻取（drill-down）和切片（slice-and-dice）操作时，能够更流畅地获取数据，而不需要BI工具在后台频繁地向数据库发送复杂的聚合查询。
-
数据探索与临时分析： 当数据分析师在探索一个新数据集，或者需要快速验证某个假设时，往往需要从不同角度查看数据的总计和分项。
GROUPING SETS
提供了一种非常快捷的方式，在不编写大量SQL的情况下，就能一次性获取多种聚合视图，加速数据洞察的过程。
在我看来，任何时候你发现自己正在编写多个
GROUP BY
查询并用
UNION ALL
连接它们来获取不同粒度的聚合结果时，都应该停下来，思考一下是否可以用
GROUPING SETS
来优化。它不仅能提升查询性能，还能让你的SQL代码更优雅、更易于管理。
大数据 工具 区别 sql语句 排列 为什么 gate sql NULL select union 切片 数据库 etl 数据分析