Av rating:
Total votes: 24
Total comments: 23

 CODE DOWNLOAD
 send to a friend
 printer friendly version

/*This Workbench is about using the GROUP BY clause in a SQL Statement. It is
designed so it can be pasted straight into SSMS or the Query Analyser, though
to run the examples, you'll need the data file too. Just click the "CODE DOWNLOAD"
link at the top of this article. Also included in the download bundle is the 
original SQL file, if you need it.

-- Contents
-----------

Introduction
Removing Duplicates
Simple Reporting
Grouping and Pivot Tables
Enumerating the Group members
Ranging
Grouping as a utility
Questions


-- Introduction
---------------

Like all these workbench articles, the whole point is to try different things
out, improve on the code, and learn in a practical way. If you're like us, and
find you can take in information only after real practice doing things for real
then this article is for you. 

If you think that it is too elementary, move to the end of the article and test
out your knowledge by answering all the questions (Yes, the editor is giving 
away prizes for the best answers he receives. Insist on the glorious USB Red-Gate 
pendant). 

Aggregations in SQL are very simple to do, but can cause a lot of confusion
due to the word 'Group'. The result you get from a grouping does not consist 
of the individual records but a collection or 'aggregation' of records. 

A pack of playing cards is a group of 52 playing cards.
If you were to group a pack of cards by colour, you'd have two 'rows' of 26
cards; if you grouped by suit, there would be four 'rows' with 13 in each. You
could group them by their rank/court attribute, or in other ways. The point is 
that the result is always an aggregate, even if there is only one member in the 
collection.

Each row in the result of a GROUP BY represents a collection, or grouping. 
You can get the values for the number of records in each collection, or grouping, 
or the sum, average, and so on of numeric values, or the max or min of strings,
but to ask for individual values makes no sense if you haven't grouped by
that value. 

Sometimes, you will use an aggregate function in a SELECT Statement without using
a GROUP BY clause. There is an implicit grouping of the entire result into one
row, which is why you can only use aggregate functions in such a case, and will
get one row returned.

GROUP BY statements are the bedrock of reporting in SQL. 

The built-in aggregate functions are... 

common ones

sum([all|distinct] expr.)   Total of the (distinct) values in the expression
avg([all|distinct] expr.)   Average of the (distinct) values in the expression
count([all|distinct] expr.) Number of (distinct) non-null values in the expression
count(*)                    Number of selected rows
max(expr.)                  Highest value in the expression
min(expr.)                  Lowest value in the expression

Statistical functions

stdev(expr.)               The standard deviation of the values in the expression
Stdevp(expr.)              Population standard deviation of the expression values
Var(expr.)                 The Variance of the expression values
Varp(expr.)                    The population Variance of the expression values

Checksum functions

Binary_checksum(expr.)      Returns the binary checksum value
Checksum(expr.)                Returns the checksum value
Checksum(*)                    checksum is over all the columns of the table
Checksum_agg
([all|distinct] expr.)     Returns the checksum of the NON-NULL values in a group. 

(You can use sum and avg with numeric columns only--int, smallint, TinyIntBigint 
decimal, numeric, float, SmallMoney and money. You cannot use min and max with bit 
datatypes. You cannot use aggregate functions other than count(*) with 
text and image datatypes.)

We'll start with some simple manoevres and then finish off with a few wheelies and
handbrake-turns.

As sample data, we'll take a list of all Oil-producing countries in the world
and their oil-production

Create a new database or use your 'practice' development Database and then create
this */

CREATE TABLE [dbo].[OilProducers](
   [[OilProducer_ID] [int] IDENTITY(1,1) NOT NULL,
   [country] [varchar](30) NOT NULL,
   [BarrelsPerDay] [int] NOT NULL,
   [Continent] [varchar](80) NOT NULL,
   [Region] [varchar](80) NOT NULL
) ON [PRIMARY]

GO
-- And we'll get our data in. Download the data file, and load the data as
follows:

-- substitute the full path to your file for the name 'OilProducers.txt'
BULK INSERT dbo.OilProducers
   FROM ' OilProducers.txt'

/* or
Declare @Command varchar(8000)
select @Command='bcp '
   +db_name()
   +'.dbo.OilProducers in OilProducers.txt -c -S '+@@Servername+' -E -T'
execute xp_cmdshell @command--assumes Windows Security
*/



--Removing Duplicates
---------------------

-- Before we get stuck into doing reporting, I'll illustrate how simple it is
-- to remove duplicates from tables using grouping

-- Of course, if you are going to remove duplicates, you will really want to
-- move them to another table for forensic analysis to find out how it happened
-- and whether they are valid entries. Here is our Duplicates table

CREATE TABLE [dbo].[Duplicates](
   [OilProducer_ID] [int] IDENTITY(1,1) NOT NULL,
   [Duplicate_ID] [int],
   [country] [varchar](30) NOT NULL,
   [BarrelsPerDay ] [int] NOT NULL,
   [Continent] [varchar](80) NOT NULL,
   [Region] [varchar](80) NOT NULL
) ON [PRIMARY]


--let's maliciously create some duplicates!

INSERT INTO OilProducers(Country,BarrelsPerDay,continent, region)
   SELECT Country,BarrelsPerDay,continent, region 
         FROM OilProducers WHERE country LIKE 'A%'
INSERT INTO OilProducers(Country,BarrelsPerDay ,continent, region)
   SELECT Country,BarrelsPerDay,continent, region 
        FROM OilProducers WHERE country BETWEEN 'A' AND 'E'

--you can then easily see these duplicates by 
SELECT 'First_ID'=MAX(OilProducer_ID), 'No.InTable'=COUNT(*)
   FROM OilProducers
   GROUP BY country 
   HAVING COUNT(*)>1--notice that we use a HAVING clause. This is because 
--we are selecting only those rows that contain more than one row in the
--original table (we could have checked only part of the original table
--by using the WHERE clause. A WHERE clause cannot contain an aggregate 
-- function of course, but the HAVING clause can.


-- So we move them to another table to check them to make sure. We wrap
-- this up in a transaction just in case anything goes wrong, as we don't
-- want to lose a record that might turn out to be legit.
--start of routine

-------------------------------------------------------------
DECLARE @found INT
DECLARE @Errorhappened INT
DECLARE @OtherErrorhappened INT
BEGIN TRANSACTION
WHILE COALESCE(@found,1)>0 
       AND COALESCE(@ErrorHappened,0) =0
       AND COALESCE(@OtherErrorHappened,0)=0
   BEGIN
   INSERT INTO Duplicates (Duplicate_ID,country,BarrelsPerDay,continent,region)
       SELECT OilProducer_ID,country,BarrelsPerDay,continent,region
       FROM OilProducers WHERE oilProducer_ID IN (
           SELECT MAX(OilProducer_ID)
                FROM OilProducers
               GROUP BY country 
               HAVING COUNT(*)>1)
   SELECT @Errorhappened=@@Error, @found=@@Rowcount
   DELETE FROM OilProducers WHERE oilProducer_ID IN (
           SELECT MAX(OilProducer_ID)
               FROM OilProducers
               GROUP BY country 
               HAVING COUNT( *)>1)--the HAVING clause has to be used as
                                  --we have to select rows after the
                                  --aggregation
   SELECT @OtherErrorHappened=@@Error
   END
IF @errorHappened<>0 or @OtherErrorHappened <>0 ROLLBACK TRANSACTION
ELSE COMMIT TRANSACTION   
--end of routine

---------------------------------------------------------------

--Now look in the duplicate table
SELECT * FROM Duplicates
--and check the main table for duplicates with the SQL I've already given


--Simple Reporting
------------------

-- what about getting a summary of oil production per continent?
SELECT [Barrels per day ]=SUM(BarrelsPerDay), continent
   FROM OilProducers 
   GROUP BY continent --each row should be a continent
   ORDER BY SUM(BarrelsPerDay) DESC --in descending order
-- we are grouping by continent and get back seven records, each of which
-- represents a collection of oil producers in the same continent

-- ..or by region ordered by production?
SELECT  [production]=SUM(BarrelsPerDay), 
       [average]=AVG(BarrelsPerDay), 
       Region, 
       [ Producers in region]=COUNT(*)
   FROM OilProducers 
   GROUP BY region --each row is a collection of all the records for a region
   ORDER BY SUM(BarrelsPerDay) DESC --order by production

--Grand totals are easy
SELECT  
   [continent]=COALESCE(continent,'Total (world production)'), 
   [Barrels per day]=SUM(BarrelsPerDay)
   FROM OilProducers 
   GROUP BY continent WITH rollup--each row should be a continent
    ORDER BY grouping(continent) ASC,SUM(BarrelsPerDay) DESC
-- we used the grouping() function to order the total at the end
-- we used WITH ROLLUP to compute the total. It can be very useful
-- for running sums and running averages.


-- ..but someone is bound to ask for just the top five
SELECT  TOP 5 [production]=SUM(BarrelsPerDay), 
       [average]=AVG(BarrelsPerDay), Region, [Producers in region]=COUNT(*)
   FROM OilProducers 
   GROUP BY region --each row is a collection of all the records for a region
   ORDER BY SUM(BarrelsPerDay) DESC --order by production

-- ..or maybe the bottom five!
SELECT * FROM
(SELECT  TOP 5 [production]=SUM(BarrelsPerDay), [average]=AVG(BarrelsPerDay), 
                                     Region, [Producers in region]=COUNT(*)
   FROM OilProducers 
   GROUP BY region--each row is a collection of all the records for a region
   ORDER BY SUM(BarrelsPerDay) ASC)f --order by production
ORDER BY production DESC

-- or, more tiresomely, for the top five, the others as an 'Others' row 
-- AND the sum total!
SELECT 
[region]=CASE WHEN g.n=1 THEN t ELSE Region END,
[production]=CASE WHEN t='other' 
   THEN production -
       (SELECT SUM(PRODUCTION)
           FROM    
               (SELECT  TOP 5 [production]=SUM(BarrelsPerDay)
                   FROM OilProducers 
               GROUP BY region 
               ORDER BY SUM(BarrelsPerDay) DESC)F)
   ELSE production END
FROM (SELECT [n]=0,[t]='',[TheOrder]=1  --trick to duplicate the null row  the
       UNION ALL          --'to get 'others' row
       SELECT 1,'Other',2 
       UNION ALL SELECT 1,'Total',3)g
INNER JOIN
(SELECT  TOP 6 [production]=SUM(BarrelsPerDay),--the basic data
       [n]=grouping(region), 
       Region
   FROM OilProducers 
   GROUP  BY region WITH rollup--
   ORDER BY SUM(BarrelsPerDay) DESC
   )f 
ON g.n=f.n
ORDER BY g.TheOrder ASC, production DESC 

--and then  there will be the guy who wants a list of just those
--regions who produce more than the average

SELECT   Region, [production]=SUM(BarrelsPerDay),  [Producers in region]=COUNT(*)
   FROM OilProducers 
   GROUP BY region-- each row is a collection of all the records for a region
   HAVING SUM(BarrelsPerDay)>
       (SELECT AVG(average) FROM
(SELECT [average]=AVG(BarrelsPerDay) FROM OilProducers GROUP BY region)f)
   ORDER BY SUM(BarrelsPerDay) DESC --order by production

--or possibly the five countries closest to the average
SELECT TOP 5 country, BarrelsPerDay, theAverage
FROM OilProducers
CROSS JOIN
(SELECT [theAverage]=AVG(BarrelsPerDay) FROM OilProducers)f
ORDER BY  ABS(barrelsPerDay-theaverage)   ASC

--or conceivably, region closest to the average
SELECT TOP 5 * FROM 
   (SELECT region, [sumBPD]=SUM(BarrelsPerDay)--, theAverage
       FROM OilProducers GROUP BY region
   )h
CROSS  JOIN
   (SELECT [theAverage]=AVG(production) FROM 
       (SELECT [production]=SUM(BarrelsPerDay) 
           FROM OilProducers GROUP BY region
        )g
   )f
ORDER BY  ABS(sumBPD-theaverage) ASC

-- Grouping and Pivot Tables
----------------------------

-- So let's get a bit harder and do a pivot table relating regions and
-- continents with column and row totals.

SELECT [region/continent ]=CONVERT(CHAR(25),COALESCE(region,'Total')),
   'Asia'=SUM(CASE WHEN continent = 'Asia' THEN BarrelsPerDay ELSE 0 END),
   'North A.'=SUM(CASE WHEN continent ='North America' 
                                            THEN BarrelsPerDay ELSE 0 END) ,
   'Latin A.'=SUM(CASE WHEN continent ='Latin America and the Caribbean' 
                                            THEN BarrelsPerDay ELSE 0 END),
   'Africa'=SUM(CASE WHEN continent ='Africa' THEN BarrelsPerDay ELSE 0 END),
   'Russia'=SUM(CASE WHEN continent ='Russia' THEN BarrelsPerDay  ELSE 0 END),
   'Europe'=SUM(CASE WHEN continent ='Europe' THEN BarrelsPerDay ELSE 0 END),
   'Oceania'=SUM(CASE WHEN continent ='Oceania' THEN BarrelsPerDay ELSE 0 END),
   'sum'=SUM(BarrelsPerDay)
FROM OilProducers
GROUP BY region
   WITH rollup
   ORDER  BY grouping(region),SUM(BarrelsPerDay) DESC

--the 'order by grouping' trick ensures that the total comes in the right place
--on the last row!

--Enumerating the Group members
-------------------------------

--This is all OK but a lot of people want, and expect, to have a list of all
--the constituents of their grouping in the result. They don't like DBAs
--laughing and saying it isn't possible. There are now CLR Aggregation routines
--that do it, but here is a method that works on SQL 2000. Not a cursor in 
--sight! (it works a lot better in 2005 with VaRCHAR(MAX))

DECLARE @list VARCHAR(8000)
SELECT @List=COALESCE(@list+',','') +'|'+region +'|'+ country+'|'+region +'|'
FROM OilProducers ORDER BY region

SELECT [region]=CONVERT(CHAR(26),region), 
   [Oil-producing countries]=LEFT(members,CHARINDEX(',|',members+',|')-1) FROM
(SELECT region, 'members'=
        REPLACE(
           SUBSTRING(list,CHARINDEX('|'+regions.region+'|',list),8000),
           '|'+region+'|',
           '')
FROM (SELECT 'list'=@List)f
CROSS JOIN (
   SELECT region FROM oilproducers GROUP BY region
   )regions
)g

/*
Results (Truncated to the right)
region                     Oil-producing countries
-------------------------- ----------------------------------------------------...
Australia and New Zealand  Australia,New Zealand
Caribbean                  Virgin Islands,Cuba,Trinidad and Tobago,Aruba,Barbad...
Central America            Belize,Nicaragua,Guatemala,Mexico
Eastern Africa             Zambia,Madagascar
Eastern Asia               Korea, North,Mongolia,Taiwan,Korea, South,China,Japan
Eastern Europe             Czech Republic,Poland,Belarus,Ukraine,Hungary,Romani...
Melanesia                  Papua New Guinea
Middle Africa              Congo,Chad,Equatorial Guinea,Gabon,Angola,Cameroon
North America              Canada, United States 
Northern Africa            Algeria,Egypt,Libya,Tunisia,Sudan,Morocco
Northern Europe            Finland,Sweden,Lithuania,Estonia,United Kingdom,Norw...
Russia                     Russia
South America              Ecuador,Argentina,Brazil,Colombia,Venezuela,Peru,Sur...
South-central Asia         Kyrgyzstan,Bangladesh,Pakistan,Tajikistan,Turkmenist...
South-eastern Asia         Malaysia,Indonesia,Brunei,Vietnam,Thailand,Singapore...
Southern Africa            South Africa
Southern Europe            Italy,Croatia,Spain,Greece,Albania,Slovenia
Western Africa             Sierra Leone,Ghana,Nigeria,Mauritania,Cote d'Ivoire
Western Asia               Turkey,Bahrain,Yemen,Syria,United Arab Emirates,Saud...
Western Europe             Switzerland,Belgium,Germany,Netherlands,France,Austr...
*/

-- now this technique could get quite interesting if combined with 'ranging' where
-- you can impose categories onto the data of your choice (Date ranges are very
-- common)

-- Ranging
----------

--By ranging, I mean imposinbg aribrary value ranges, and grouping by them
--you can, of course, use a helper table to do this much more elegantly

-- Ranging can be by column
SELECT
[range]='No. of Countries', 
[< 10,000 bpd]=SUM(CASE WHEN Barrelsperday<10000 THEN 1 ELSE 0 END),
[10,000 to 100,000]=SUM(CASE WHEN Barrelsperday BETWEEN 10000 AND 100000  
                        THEN 1 ELSE 0 
                    END),
[100,000 to 1m bpd]=SUM(CASE WHEN Barrelsperday BETWEEN 100001 AND 1000000 
                        THEN 1 ELSE 0 
                    END),
[1m to 10m bpd]=SUM(CASE WHEN Barrelsperday BETWEEN 1000001 AND 10000000 
                         THEN 1 ELSE 0 
                    END),
[more than 10m bpd]=SUM(CASE WHEN Barrelsperday > 10000000  THEN 1 ELSE 0 END)
FROM OilProducers

--or by row...
SELECT [category]=CASE WHEN Barrelsperday<10000 THEN '1/ > 10,000 bpd' 
   WHEN Barrelsperday BETWEEN 10000   AND 100000 THEN '2/ 10,000 to 100,000 '
    WHEN Barrelsperday BETWEEN 100001  AND 1000000 THEN '3/ 100,000 to 1m bpd'
    WHEN Barrelsperday BETWEEN 1000001 AND 10000000 THEN '4/ 1m to 10m bpd'
    WHEN Barrelsperday > 10000000  THEN '5/ more than 10m bpd' END,
   [total]=SUM(BarrelsperDay),
   [No. of Countries]=COUNT(*)
FROM OilProducers
GROUP BY CASE WHEN Barrelsperday<10000  THEN '1/ > 10,000 bpd' 
   WHEN Barrelsperday BETWEEN 10000   AND 100000 THEN '2/ 10,000 to 100,000'
    WHEN Barrelsperday BETWEEN 100001  AND 1000000 THEN '3/ 100,000 to 1m bpd'
    WHEN Barrelsperday BETWEEN 1000001 AND 10000000 THEN '4/ 1m to 10m bpd'
    WHEN Barrelsperday > 10000000  THEN '5/ more than 10m bpd' END

--The code above is much more efficient than it looks, but why not make a 
--User-defined function to do it?

CREATE FUNCTION OilOutputCategory
(
   @OilOutput INT
)
RETURNS VARCHAR(30)
AS
BEGIN
RETURN CASE WHEN @OilOutput<10000 THEN '1/ > 10,000 bpd' 
   WHEN @OilOutput BETWEEN 10000   AND 100000 THEN '2/ 10,000 to 100,000'
    WHEN @OilOutput BETWEEN 100001  AND 1000000 THEN '3/ 100,000 to 1m bpd'
    WHEN @OilOutput BETWEEN 1000001 AND 10000000 THEN  '4/ 1m to 10m bpd'
    WHEN @OilOutput > 10000000  THEN '5/ more than 10m bpd' END

END
GO
--so the query becomes...
SELECT [category]=dbo.OilOutputCategory(BarrelsPerDay),
   [total]=SUM(BarrelsperDay),
   [producers]=COUNT(*)
FROM OilProducers
GROUP BY dbo.OilOutputCategory(BarrelsPerDay)


--so let's combine ranging and enumeration!

--We can list all the countries that fall in each range category....
DECLARE @list VARCHAR( 8000)
SELECT @List=COALESCE(@list+',','')+catfudge
FROM (--the concatenation of the string didn't work until we did this!
   SELECT TOP 1000 [catfudge]=
   ('|'+dbo.OilOutputCategory(BarrelsPerDay) +'|'+ country+'|'
         +dbo.OilOutputCategory(BarrelsPerDay) +'|'),
   [cat]=dbo.OilOutputCategory(BarrelsPerDay)
FROM  OilProducers ORDER BY cat)f

SELECT [category]=CONVERT(CHAR(26),category), 
   [Oil-producing countries]=LEFT(members,CHARINDEX(',|',members+',|')-1) FROM
(SELECT category, 'members'=
       REPLACE(
           SUBSTRING(list,CHARINDEX('|'+ categories.category+'|',list),8000),
           '|'+categories.category+'|',
           '')
FROM (SELECT 'list'=@List)f
CROSS JOIN (
   SELECT [category]=dbo.OilOutputCategory(BarrelsPerDay) FROM oilproducers 
       GROUP BY dbo.OilOutputCategory(BarrelsPerDay)
   )categories
)g

/*
Results (Truncated to the right)
category                   Oil-producing countries
-------------------------- -------------------------------------------------...
1/ > 10,000 bpd            Singapore,Burma,Finland,Taiwan,Ghana,Korea, South,...
2/ 10,000 to 100,000       Tunisia,Netherlands,Ukraine,Mauritania,France,Cuba...
3/ 100,000 to 1m bpd       Syria,Sudan,Oman,Qatar,Romania,Italy,Malaysia,Chad...
4/ 1m to 10m bpd           Venezuela,United Arab Emirates,United Kingdom,Indo...
5/ more than 10m bpd       Saudi Arabia
*/


-- Grouping as a utility
------------------------

-- One can use grouping in a variety of ways that have nothing to do with 
-- reporting . Here is an example of using GROUP BY to help produce a table by 
-- splitting a  delimited list. It needs the Number Helper Table (You'll have 
-- to refer to the 'Helper Table Workbench to find out about that). 

CREATE FUNCTION [dbo].[uftSplitStringGroup]
(
 @DelimitedList VARCHAR (8000),
 @Delimiter VARCHAR(20)=','
)
RETURNS
@Results TABLE
(
 SeqNo INT IDENTITY(1, 1),
 Item VARCHAR(8000)
)
AS
BEGIN
DECLARE @String VARCHAR(8000)
DECLARE @LenDelimiter INT

SELECT @String=@Delimiter+@DelimitedList+@Delimiter,
   @LenDelimiter=LEN( @Delimiter)

INSERT INTO @results (item)
   SELECT SUBSTRING(@string,
                     s1.number+@LenDelimiter,
                     MIN(s2.number)-s1.number-@LenDelimiter)
     FROM    (SELECT [string]= @String )f
   CROSS JOIN numbers s1 
   INNER JOIN numbers s2 ON s1.number< s2.number
   WHERE s1.number<=LEN (@string)
       AND  s2.number<=LEN (@string)
       AND SUBSTRING(@string,s1.number,@LenDelimiter)=@Delimiter
       AND SUBSTRING(@string,s2.number,@LenDelimiter)=@Delimiter
   GROUP BY s1.number
 RETURN
END
/*
select * from uftSplitStringGroup('first,second,third',default)
select * from uftSplitStringGroup('<>this is something<>something else<>','<>')
select * from uftSplitStringGroup(
 'Turkey,Bahrain,Yemen,Syria,United Arab Emirates,Saudi Arabia,Qatar,Kuwait',',')


   Questions
------------

Send your answers to editor@simple-talk.com. The first three correct entries
will receive a much-coveted Simple-Talk goodie bag (polo shirt, USB key, bottle
opener, beermat, pen).


1/  How would you get the count of the number of rows in a table with NULLS in 
    a particular column, using GROUP BY, but without using a COALESCE or CASE 
    statement

2/  What is the GROUPING() function useful for?

3/  Can a WHERE clause contain an aggregate function?

4/  When would you need to use a HAVING clause?

5/  What does the ROLLUP do? How would you use it?

6/  Can you use UDFs (user-defined scalar-valued  functions) in GROUP BY clauses? */

Robyn Page and Phil Factor

Cursors and iterations are both renowned for slowing down Transact SQL code, but sometimes seem unavoidable. In this workbench, Robyn Page and Phil Factor demonstrate some set-based techniques for string manipulation and time interval-based reporting, which use helper tables instead.