答案：SQL分组查询通过GROUP BY将数据按指定列划分成逻辑组，每个聚合函数独立作用于各组；多列聚合时，数据库基于GROUP BY中列的唯一组合创建分组，SELECT中的多个聚合函数分别计算每组内的统计值；对于复杂条件聚合，可使用CASE WHEN实现同一分组内不同条件的统计；当需保留原始行并进行组内行级计算（如排名、累计、占比）时，应选用窗口函数而非GROUP BY，二者互补。

SQL分组查询在处理多列聚合时，其核心机制在于

GROUP BY

子句如何将数据集划分为逻辑组，然后每个聚合函数（如

SUM

,

AVG

,

COUNT

,

MAX

,

MIN

）独立地作用于这些组内的所有行。这并不是什么特别复杂的“处理”方式，而是SQL聚合功能的自然体现：你定义了分组的维度，然后针对这些维度，计算你感兴趣的任何聚合指标，无论是一个还是多个。

解决方案

要处理多列聚合，最直接的方法就是在

SELECT

列表中指定你希望聚合的多列，并在

GROUP BY

子句中列出所有非聚合的列。SQL引擎会根据

GROUP BY

中指定的列来创建唯一的组合，并将所有具有相同组合的行视为一个组。接着，你可以在

SELECT

列表中使用多个聚合函数，每个函数都会独立地计算其在当前组内的结果。

例如，如果你想按地区和产品类型分组，同时计算每个组的总销售额、平均订单价值和订单数量，SQL语句会是这样：

SELECT     Region,     ProductType,     SUM(SalesAmount) AS TotalSales,     AVG(OrderValue) AS AverageOrderValue,     COUNT(OrderID) AS NumberOfOrders FROM     SalesData GROUP BY     Region,     ProductType;

这种方式非常直观，它允许你一次性从同一个分组中提取出多种统计信息，避免了多次查询或复杂的子查询，极大地提高了查询效率和可读性。

为什么 GROUP BY 能够轻松应对多列聚合，它背后的逻辑是什么？

说实话，我个人觉得“多列聚合”这个说法，有时候会让人误以为有什么特殊的技巧。但其实，

GROUP BY

的设计初衷就是为了这个。它的逻辑非常清晰：当你指定

GROUP BY col1, col2

时，数据库系统会把你的数据集想象成按照

col1

和

col2

的所有唯一组合进行“切片”。每一个“切片”就是一个独立的组。

在这个过程中，你可以理解为数据库内部为每个唯一的

(col1, col2)

组合创建了一个临时的“小表”。然后，你

SELECT

语句中的所有聚合函数，比如

SUM(SalesAmount)

或者

COUNT(OrderID)

，都会独立地作用于这个“小表”里的所有行。它们彼此之间没有干扰，只是各自计算自己的结果。比如，

SUM(SalesAmount)

会把这个“小表”里所有

SalesAmount

加起来，而

COUNT(OrderID)

则会数这个“小表”里有多少行（或者说有多少个

OrderID

）。

这就像你在一个班级里，想同时知道男生的平均身高和女生的平均体重。你先按性别分组（

GROUP BY Gender

），然后分别计算

AVG(CASE WHEN Gender = 'Male' THEN Height END)

和

AVG(CASE WHEN Gender = 'Female' THEN Weight END)

。虽然这里用了

CASE WHEN

，但核心思想是，每个聚合函数都只关心它自己要处理的数据，并且是在它所属的那个组内进行。所以，你可以同时放任意多个聚合函数，只要它们都能在当前分组逻辑下有意义地计算出结果。这种并行计算的能力，正是

GROUP BY

如此强大的原因。

面对更复杂的统计需求，比如同时统计不同条件下的总和，SQL 有哪些进阶技巧？

当你的需求不再是简单地对整个组进行聚合，而是想在同一个分组内，根据不同的条件进行多次聚合时，传统的

GROUP BY

结合

SUM()

就不够了。这时候，我经常会用到一种非常灵活且强大的技术：条件聚合（Conditional Aggregation），它通常通过在聚合函数内部嵌套

CASE WHEN

表达式来实现。

设想一下，你不仅想知道每个部门的总销售额，还想知道其中“线上销售”的总额和“线下销售”的总额，而且这一切都希望在一行结果中展示。你可能会这样写：

SELECT     Department,     SUM(SalesAmount) AS TotalSales,     SUM(CASE WHEN SalesChannel = 'Online' THEN SalesAmount ELSE 0 END) AS OnlineSales,     SUM(CASE WHEN SalesChannel = 'Offline' THEN SalesAmount ELSE 0 END) AS OfflineSales,     COUNT(DISTINCT CustomerID) AS UniqueCustomers FROM     Orders GROUP BY     Department;

这里的关键在于

SUM(CASE WHEN ... THEN ... ELSE 0 END)

。对于每一行数据，

CASE WHEN

表达式会先判断

SalesChannel

是否为 ‘Online’。如果是，它就把

SalesAmount

的值传给

SUM

函数；如果不是，就传

0

。这样，

SUM

函数最终累加的就只是符合 ‘Online’ 条件的销售额。同样的方法也适用于 ‘Offline’。

这种方法的优点是显而易见的：

1. 单次扫描数据： 数据库只需要遍历一次

   Orders

   表就能计算出所有这些指标，效率很高。

2. 结果扁平化： 所有相关指标都在同一行展示，非常便于后续的分析和报表生成。
3. 高度灵活：

   CASE WHEN

   表达式可以非常复杂，几乎可以应对任何基于条件的聚合需求。

在一些数据库系统（如PostgreSQL、SQL Server 2012+）中，你也可以使用

FILTER

子句来简化一些条件聚合的语法，例如：

Imagen – Google Research

Google Brain team推出的图像生成模型。

19

查看详情

-- PostgreSQL / SQL Server 示例 SELECT     Department,     SUM(SalesAmount) AS TotalSales,     SUM(SalesAmount) FILTER (WHERE SalesChannel = 'Online') AS OnlineSales,     SUM(SalesAmount) FILTER (WHERE SalesChannel = 'Offline') AS OfflineSales FROM     Orders GROUP BY     Department;

虽然

FILTER

语法更简洁，但

CASE WHEN

的方案在所有主流SQL数据库中都通用，是我个人更倾向于推荐的，因为它具有更好的可移植性。掌握条件聚合，对于处理复杂的业务报表和数据分析，绝对是一项必备技能。

什么时候应该考虑使用窗口函数而不是 GROUP BY 进行多列分析？

这是一个非常好的问题，因为

GROUP BY

和窗口函数（Window Functions）虽然都涉及“分组”的概念，但它们解决的问题场景和数据处理方式有着根本的区别。我个人在工作中经常需要在这两者之间做权衡。

核心区别在于：

GROUP BY

会将行聚合（折叠）成更少的行，而窗口函数则在保留原始行结构的同时，对“窗口”（也就是一组相关的行）进行计算。

你应该考虑使用窗口函数而不是

GROUP BY

的情况：

1. 你需要进行分组计算，但又不想丢失原始行的细节信息。

   • 例如，你想计算每个员工的工资占其部门总工资的百分比。如果用

     GROUP BY

     ，你只能得到部门的总工资，而无法直接将这个总工资与每个员工的个体工资关联起来进行计算。窗口函数可以在计算部门总工资的同时，保持每位员工的独立行。

   • 示例：

     SELECT     EmployeeName,     Department,     Salary,     SUM(Salary) OVER (PARTITION BY Department) AS DepartmentTotalSalary,     (Salary * 100.0 / SUM(Salary) OVER (PARTITION BY Department)) AS PercentOfDeptSalary FROM     Employees;

     这里

     SUM(Salary) OVER (PARTITION BY Department)

     计算了每个部门的总工资，但结果会重复显示在每个部门员工的行上，从而允许你进行行级别的百分比计算。

2. 你需要对组内的数据进行排名、取前N个、或者计算累计值、移动平均值等。

   • 这些操作通常需要知道“当前行”在“当前组”中的位置或与其他行的关系。

     GROUP BY

     无法提供这种行级别的上下文。

   • 示例： 找出每个产品类别中销售额最高的三个产品。

     SELECT     Category,     ProductName,     Sales,     RankWithinCategory FROM (     SELECT         Category,         ProductName,         Sales,         RANK() OVER (PARTITION BY Category ORDER BY Sales DESC) AS RankWithinCategory     FROM         Products ) AS Subquery WHERE RankWithinCategory <= 3;

     RANK() OVER (PARTITION BY Category ORDER BY Sales DESC)

     就是典型的窗口函数应用，它在每个

     Category

     内部对产品按销售额进行排名。

3. 你需要比较当前行与同一组中的前一行或后一行的数据。

   • LAG()

     和

     LEAD()

     这样的窗口函数是专门为此设计的，它们可以让你轻松访问“上一个”或“下一个”记录的值，这在时间序列分析或事件链分析中非常有用。

简而言之，当你的分析需求是“在某个分组内部，对每一行进行计算或与其他行进行比较”时，窗口函数是你的首选。而当你的目标仅仅是“将数据汇总成每个分组的一条摘要信息”时，

GROUP BY

依然是最直接、最高效的工具。它们是互补的，而非替代关系，理解它们的适用场景能让你更高效地编写SQL查询。