【数据蒋堂】第30期：JOIN简化 – 消除关联
近期，蒋步星在「天善智能」直播分享了《JOIN运算的简化与提速》，视频地址：https://edu.hellobi.com/course/197/lessons （主题二）。
接下来的几期《数据蒋堂》将针对该问题进行详细的文字解读，帮助大家理解。
我们将等值JOIN分成三种情况来分别讨论，分情况相当于加强了条件，我们可以充分利用每种情况下的特征。
1. 外键属性化
先看个例子，设有如下两个表：
employee员工表
id 员工编号
name 姓名
nationality 国籍
department 所属部门
department 部门表
id 部门编号
name 部门名称
manager 部门经理
employee表和delpartment表的主键都是其中的id字段，employee表的department字段是指向department表的外键，department表的manager字段又是指向employee表的外键。这是很常规的表结构设计。
现在我们想问一下：哪些美国籍员工有一个中国籍经理？
用SQL写出来是这样的：
SELECT A.* FROM employee A JOIN department B ON A.department=B.id JOIN employee C ON B.manager=C.id
WHERE A.nationality=‘美国' AND C.nationality=‘中国'
句子较长，由于employee表需要两次参与JOIN，还需要为它起个别名加以区分。
我们换一种写法：
SELECT * FROM employee WHERE nationality='美国' AND department.manager.nationality='中国'
当然，这不是标准的SQL语句了。
第二个句子中用红色部分表示当前员工的“所属部门的经理的国籍”。我们把外键字段理解成一个对象，外键表的字段被理解为外键字段的属性，department.manager即是”所属部门的经理“，而这个字段在department中仍然是个外键，那么它的外键表字段可以继续理解为它的属性，也就会有department.manager.nationality，即“所属部门的经理的国籍”。
这种的对象式理解方式，显然比笛卡尔积过滤的理解方式要自然直观得多。外键表JOIN时并不会涉及到两个表的乘法，外键字段只是用于找到外键表中对应的那条记录，完全不会涉及到笛卡尔积这种有乘法特性的运算。
我们前面约定，外键表JOIN时维表中关联字段必须是主键，所以外键字段对应的维表记录一定是唯一的，这样deparment.manager.nationality对于employee表中每一条记录都是唯一的，这就不会发生歧义。而如果不做这个约定，就可能发生多对多，department.manager.nationality无法明确定义。
事实上，这种对象式写法在结构化高级语言（如C，Java）中很常见，在这类语言中，数据就是按对象方式存储的。employee表中的department字段取值根本就是一个对象，而不是编号。其实许多表的主键取值本身并没有业务意义，仅仅是为了区分记录，而外键字段也仅仅是为了找到外键表中的相应记录，如果外键字段直接是对象，就不需要再通过编号来标识了。不过，SQL缺乏离散性，不能直接使用这种存储机制，还要借助编号。
外键表关系中，事实表和维表是不对等的，只能基于事实表去找维表字段，而不会有倒过来的情况。
2. 同维表等同化
同维表的情况相对简单，还是从例子开始，设有两个表：
employee员工表
id 员工编号
name 姓名
salary 工资
....
manager经理表
id 员工编号
allowance 岗位津贴
...
两个表的主键都是id，经理也是员工，两表共用同样的员工编号，经理会比普通员多一些属性，另用一个经理表来保存。
现在我们要统计所有员工（包括经理）的总收入（加上津贴）。
用SQL写出来还是会用到JOIN：
SELECT employee.id, employee.name, employy.salary+manager.allowance FROM
employyee LEFT JOIN manager ON employee.id=manager.id
而对于两个一对一的表，我们其实可以简单地把它们看成一个表：
SELECT id,name,salary+allowance FROM employee
同样地，根据我们的约定，同维表JOIN时两个表都是按主键关联的，相应记录是唯一对应的，salary+allowance对employee表中每条记录都是唯一可计算的，不会出现歧义。
同维表之间的关系是对等的，从任何一个表都可以引用到其它同维表的字段。
3. 主子表一体化
订单及订单明细是典型的主子表：
Orders订单表
id 订单编号
customer 客户
date 日期
...
OrderDetail订单明细
id 订单编号
no 序号
product 订购产品
price 价格
...
Orders表的主键是id，OrderDetail表中的主键是(id,no)，前者的主键是后者的一部分。
现在我们想计算每张订单的总金额。
直接用SQL写出来会是这样：
SELECT Orders.id, Orders.customer, SUM(OrderDetail.price)
FROM Orders JOIN OrderDetail ON Orders.id=OrderDetail.id
GROUP BY Orders.id, Orders.customer
要完成这个运算，不仅要用到JOIN，还需要做一次GROUP BY，否则选出来的记录数太多。
如果我们把子表中与主表相关的记录看成主表的一个字段，那么这个问题也可以不再使用JOIN以及GROUP BY：
SELECT id, customer, OrderDetail.SUM(price) FROM Orders
与普通字段不同，OrderDetail被看成Orders表的字段时，其取值将是一个集合，因为两个表是一对多的关系。所以要在这里使用聚合运算把集合值计算成单值。
这样看待数据关联，不仅理解书写更为简单，而且不容易出错。
假如Orders表还有一个子表用于记录回款情况：
OrderPayment订单回填表
id 订单编号
date 回款日期
amount 回填金额
....
我们现在想知道那些订单还在欠钱，也就是累计回款金额小于订单总金额的订单。
简单地把这三个表JOIN起来是不对的，OrderDetail和OrderPayment会发生多对多的关系，这就错了（回忆上一篇中多对多大概率错误的说法）。这两个子表要分别先做GROUP，再一起与Orders表JOIN起来才能得到正确结果，写出来较为繁琐。
而如果我们把子表看成主表的集合字段，那就很简单了：
SELECT id,customer,OrderDetail.SUM(price) x, OrderPayment.SUM(amount) y FROM Orders WHERE x>y
这种写法就不容易发生多对多的错误。
主子表关系是不对等的，不过两个方向的引用都有意义，上面谈了从主表引用子表的情况，从子表引用主表则和外键表类似。
我们改变对JOIN运算的看法，摒弃笛卡尔积的思路，把多表关联运算看成是稍复杂些的单表运算。这样，我们相当于从最常见的等值JOIN运算中基本消除了关联，甚至在语法中取消了JOIN关键字，书写和理解都要简单很多。
《JOIN运算的简化与提速》直播地址：https://edu.hellobi.com/course/197/lessons （章节2）