写给新人的数据库指南

Posted 2020-09-15

在数据分析师的职业生涯中，数据库与SQL会是他们性价比最高的技能之一。

数据库是逻辑上的概念，它是一堆互相关联的数据，放在物理实体上，是一堆写在磁盘上的文件，文件中有数据。这些最基础的数据组成了表(table)，我们把它想象成一张Excel的sheet。

数据表的抽象概念如上图。

ID是数据库中重要的概念，叫做唯一标识符／主键，用来表示数据的唯一性。我们把它理解成数据的身份证号。我知道身份证，也就知道数据在哪里了。

ID不会有现实的业务意义，就是一串单纯的数字，每张表只能有一个主键。

数据库是表的集合，一个数据库中可以放多张表，我们给每张表命名，表与表之间能互相联系。

联系就是数据能够对应匹配，正式名称叫联接，对应的操作叫做Join，我们想象成Excel中的vlookup。

上面就是两张表，用户和教育背景，看上去能够使用姓名进行匹配，可是这里出现了两个张三，一个是北京大学，一个是上海大学，究竟哪个张三才能和用户表的张三对应上？都不能。

也许清华大学还有张三，复旦大学，交通大学也有，毕竟全中国姓名相同的人那么多。正确的用法应该是使用ID联接，而不是姓名。ID是产品、运营和数据人员们在工作中接触最多的内容之一，用户ID文章ID商品ID等，如果大家还不了解，这里需要掌握。

上图就是正确的用法，用户表和教育表能够通过ID联接，可能有人疑问，用户ID为1和6的，还是不能对应呀？这个不要紧，因为在数据库中，不是所有的表都能一一对应，存在部分匹配的可能性，也许那个叫秦路的，他没读过书，教育背景表中自然没有记录了。

当然，数据库的设计还要更严谨，一般每张表都会有主键（主键不是必须，但是从效率优化上肯定会加），这个主键也不能是其他表的主键，防止产生冲突。

这样就靠谱了，用户ID是用户表的主键，教育背景ID是教育背景表的主键，我们在教育背景表中加入一个字段叫用户ID，它是专门用来联接用户表的，它不是主键。

是不是有点绕？实际上，并不是所有名字带ID的都叫主键，这一点要搞清楚。

数据库中，表的名字和字段应该是英文。如果是主键，只要叫id即可，你要关联其他表，则以「表名_id」作为联接。

关联后的逻辑如下，这种方式叫全联接，匹配不上的都用Null表示，匹配上的我用橙色表示。联接是关系型数据库中的核心概念，是操作的基础，现在迷糊不要紧，多练习几次就好了。

如果现在我有一张新的表，需要关联education，聪明的你也一定想到方法了吧。

了解上面的概念，你就知道什么叫关系型数据库，简单说，它是由多张能互相联接的二维行列表格组成的数据库。

关系型数据库是基于关系代数模型发展而来。常用的数据库有SQL Server、mysql、Oracle等，我们后续学习都以MySQL为主。

接下来是安装MySQL。

我们去MySQL的官网下载，版本5.6以上即可。

按照教程完成后，我们通过命令行查询知否成功，Win和Mac的操作不一样。

我们当然不会在这么丑的界面上操作MySQL啦，我们还需要安装GUI，这是为我们提供操作界面的。

Mac用户推荐SequelPro，Win用户推荐WorkBench。后续我会在SequelPro操作。MySQL的默认用户名和密码均是root，建议重新设置一下。

如果大家有疑问，可以去网上搜索相关教程，不安装MySQL也是可以的。因为数据分析师大多数情况是用在线数据查询平台操作，安装只是为了方便演示。不想要安装的同学，可以在SQLZoo练习，以后我也会讲解。

输入账号密码后进入操作界面，数据库我命名为qin。左侧栏是数据库中的Table列表，现在为空。右侧是表相关的操作和信息。

因为现在没有数据，我们加载曾经使用过的练习数据。数据分析师不需要学习如何创建删除增改表的操作，因为用不到，我只会讲解查询，大家有兴趣可以自行了解。

任何MySQL的GUI工具，都能加载CSV，一般叫import。

Encoding选择Autodetect，其余按默认。

接下来需要设置各字段的数据类型，系统会帮我们自动选上，这里不用改动。int代表整数数值，varchar代表字符串(中文英文标点符号这类)，括号里面的数字是允许存储字节，这块也不要深入理解，只要知道常用的字段类型即可。

给表取个名字，载入后，就将CSV成功导入到数据库了，能够进行数据查询的操作。

这张表没有设置主键，主要是练习，所以跳过了这一步骤。

大家可能会遇到导入的数据是乱码，这是系统编码之间的差异，是utf8和gbk之间的冲突，网上有相关解答，搜索关键词即可。

到这里，大家已经成功地在自己电脑上创建了数据库。我们在之前文章已经针对练习数据进行了Excel操作、BI分析，接下来学习SQL。可能你们也猜到了，后续还会有统计学、Python编程。

作者：秦路