数据分析进阶实战：用 SQL 和统计学，把老板丢来的数据"看透"

写作日期：2026-08-05 ｜ 来源：数据分析学习笔记
关键词：SQL、GROUP BY、窗口函数、数据透视表、统计学

背景（S）

昨天学会了用 Pandas 把数据读进来、洗干净、算出每个产品的总销售额。但老板又丢来一个 10 万行的销售记录，问了我三个问题：

• “哪个季度销售额最高？”
• “每个季度里，哪三个产品卖得最好？”
• “这组数据整体表现怎么样？是稳的还是忽高忽低的？”

第一个问题——Pandas 能解决（groupby + sort_values）。
第二个问题——Pandas 也能解决，但更简单的方式是用 SQL 的窗口函数一行搞定。
第三个问题——得用统计学（均值、标准差）来回答"稳不稳定"。

这三个问题，正好对应我今天学完的三个知识点：SQL 分组聚合、SQL 窗口函数、统计学基础。

踩过的坑（T）

1. SQL 和 GROUP BY 一起用时，SELECT 里写了不该写的列——忘了 SELECT 只能选分组列和聚合函数，导致报错。
2. 忘了 HAVING 和 WHERE 的区别——分组后想过滤结果，还在用 WHERE，导致报错。后来才搞懂：WHERE 在分组前执行（不能写聚合函数），HAVING 在分组后执行（可以写聚合函数）。
3. 窗口函数忘了包一层子查询——ROW_NUMBER() 算出排名后，直接在同一个 SELECT 里写 WHERE 排名 <= 3，SQL 不认。必须先子查询包一层，在外层 WHERE 过滤排名。
4. 相关系数算出来 0.95，就以为是因果关系——后来才理解"相关 ≠ 因果"。比如冰淇淋销量和溺水人数正相关，其实是夏天这个第三变量同时让两者上升，并不是冰淇淋导致溺水。
5. 算公司平均薪资被高管拉高——10 万月薪的高管让平均值从 5000 直接飙到 20000，老板一眼看出不对劲。后来改用中位数和按岗位分组，才得出真实结论。

怎么解决的（A）

知识点 1：SQL 聚合函数与 GROUP BY

每个季度总销售额——和 Pandas groupby 逻辑一模一样，只是语法不同：

Pandas	SQL
df.groupby('季度')['金额'].sum()	SELECT 季度, SUM(金额) FROM 表 GROUP BY 季度
df.groupby('季度')['金额'].mean()	SELECT 季度, AVG(金额) FROM 表 GROUP BY 季度

SQL 执行顺序记牢：FROM → WHERE → GROUP BY → HAVING → SELECT → ORDER BY → LIMIT。

一个完整示例：每个季度总销售额，降序排列：

SELECT 季度, SUM(金额) AS 季度销售额
FROM 销售记录
GROUP BY 季度
ORDER BY 季度销售额 DESC;

知识点 2：SQL 窗口函数——“取每组前 N 名”

这是 SQL 最强大的能力之一——保留每一行数据，同时给每行加上排名标签。和 GROUP BY 最大的区别：GROUP BY 会压缩行数，窗口函数不会。

三种排名函数：

函数	同分时	例子	场景
ROW_NUMBER()	不重复，1,2,3,4,5	取每组前 N 名（唯一编号）
RANK()	同分同名，跳号 1,1,3,4,5	比赛排名
DENSE_RANK()	同分同名，不跳号 1,1,2,3,4	成绩/评分排名

取每组前 N 名是面试必考题，模板背下来：

SELECT 季度, 产品, 金额, 排名
FROM (
    SELECT 季度, 产品, 金额,
           ROW_NUMBER() OVER (PARTITION BY 季度 ORDER BY 金额 DESC) AS 排名
    FROM 销售记录
) AS t
WHERE 排名 <= 3;

子查询先执行，算出每个季度内每个产品的排名；外层 WHERE 过滤前 3 名。

知识点 3：统计学基础——均值、中位数、标准差、相关系数

• 均值（Mean）：数据平均水平。⚠️ 容易被极值拉偏。
• 中位数（Median）：把数据排好，取中间值。抗极值，更真实。
• 标准差（Std）：数据波动大小。标准差越大，数据越不稳定（忽高忽低）。
• 相关系数（Correlation）：两个变量一起涨还是反向走。+1 是强正相关，-1 是强负相关，0 是没关系。相关 ≠ 因果。

实际例子：两组产品月销售额都是 5000，但：

• A 产品：[5000, 5000, 5000, 5000] → 标准差 ≈ 0（很稳定）
• B 产品：[1000, 2000, 9000, 13000] → 标准差很大（忽高忽低）
  结论：均值一样，但 B 产品风险更高。

复盘（R）

• Pandas ↔ SQL ↔ Excel 三种工具打通：数据透视表 = Pandas pivot_table = Excel 拖字段，本质都是"按两个维度交叉汇总"。
• 窗口函数是 SQL 的杀手锏：GROUP BY 能做的分组汇总，窗口函数都能做；而且窗口函数还能做 GROUP BY 做不了的事——保留每一行、算排名。
• 统计学是数据的"温度计"：均值告诉你水平、标准差告诉你稳不稳、相关系数告诉你变量之间的关系——三个指标一起看，数据才有温度。
• Pandas 干细活、SQL 干重活：复杂计算在 Pandas 做（相关系数、排名），数据入库和聚合在 SQL 做，边界要分清。

---

一句话总结：数据分析用 SQL 分组聚合（GROUP BY + SUM/AVG/HAVING），窗口函数（ROW_NUMBER）取每组前 N 名，统计学四指标（均值看中位数、标准差看稳定、相关系数看关系）描述数据特征——Pandas ↔ SQL ↔ Excel 三种工具本质相通，边界要分清。