1. DDL（数据定义语言）

用于创建、修改和删除数据库对象（如表、索引等）。

2. DML（数据操作语言）

用于对数据库中的数据进行增删改查操作。

3. DQL（数据查询语言）

用于从数据库中检索数据。

3.1 查询语句语法

3.2 逻辑运算符

3.3 NULL值处理

4. DCL（数据控制语言）

用于控制数据库的访问权限与事务处理。

5. TCL（事务控制语言）

用于管理事务的提交、回滚等操作。

6. 内置函数

6.1 聚合函数

6.2 字符串函数

6.3 数值函数

6.4 日期时间函数

6.6 其他函数

7. 窗口函数

8. 特殊语法与扩展

9. 复杂混合示例

9.1 统计部门薪资排名及与部门平均薪资的差异

场景：分析每个部门内员工的薪资排名，并计算其薪资与部门平均薪资的差异。

WITH dept_avg_salary AS (
    -- 计算每个部门的平均薪资
    SELECT 
        department_id, 
        AVG(salary) AS avg_salary
    FROM employees
    GROUP BY department_id
)
SELECT 
    e.employee_id,
    e.first_name,
    e.salary,
    d.department_name,
    -- 窗口函数：部门内薪资排名
    RANK() OVER (PARTITION BY e.department_id ORDER BY e.salary DESC) AS dept_rank,
    -- 计算与部门平均薪资的差异
    ROUND(e.salary - das.avg_salary, 2) AS salary_diff_from_avg,
    -- 标记是否高于部门平均薪资
    CASE WHEN e.salary > das.avg_salary THEN 'Above Avg' ELSE 'Below Avg' END AS salary_status
FROM 
    employees e
JOIN 
    departments d ON e.department_id = d.department_id
JOIN 
    dept_avg_salary das ON e.department_id = das.department_id
ORDER BY 
    d.department_name, dept_rank;

关键点解析：

1. CTE (dept_avg_salary)：先计算每个部门的平均薪资，避免重复聚合。
2. 窗口函数 (RANK())：按部门分组并对薪资降序排名。
3. 多表连接：关联员工表、部门表和CTE结果。
4. 条件逻辑 (CASE WHEN)：动态标记薪资水平状态。

9.2 递归查询组织架构层级关系

场景：查询公司中所有员工及其直接和间接下属的层级关系（递归）。

WITH RECURSIVE org_hierarchy AS (
    -- 基础查询：找出所有顶级管理者（CEO或没有上级的员工）
    SELECT 
        employee_id,
        first_name,
        manager_id,
        1 AS level
    FROM employees
    WHERE manager_id IS NULL

    UNION ALL

    -- 递归查询：逐级向下查找下属
    SELECT 
        e.employee_id,
        e.first_name,
        e.manager_id,
        oh.level + 1 AS level
    FROM 
        employees e
    JOIN 
        org_hierarchy oh ON e.manager_id = oh.employee_id
)
SELECT 
    employee_id,
    first_name,
    manager_id,
    level,
    -- 生成缩进字符串，直观显示层级
    LPAD(' ', (level - 1) * 4, ' ') || first_name AS hierarchy_tree
FROM 
    org_hierarchy
ORDER BY 
    level, employee_id;

关键点解析：

1. 递归CTE (WITH RECURSIVE)：
   • 基础部分：定位顶级管理者。
   • 递归部分：通过JOIN逐级关联下属。
2. 层级计数 (level)：跟踪每个员工的层级深度。
3. 可视化缩进 (LPAD)：用空格缩进显示树形结构。

9.3 分析用户购买行为路径（漏斗分析）

场景：统计用户在电商平台中从“浏览商品”到“下单支付”的转化率。

WITH user_events AS (
    -- 筛选关键事件并按时间排序
    SELECT 
        user_id,
        event_type,
        event_time,
        -- 窗口函数：按用户分组，按时间排序，标记事件顺序
        ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY event_time) AS event_seq
    FROM user_activity_logs
    WHERE event_type IN ('view_product', 'add_to_cart', 'checkout', 'payment_success')
),
funnel_steps AS (
    -- 统计每个步骤的用户数
    SELECT 
        event_type,
        COUNT(DISTINCT user_id) AS user_count
    FROM user_events
    GROUP BY event_type
),
funnel_conversion AS (
    -- 计算步骤间转化率
    SELECT 
        a.event_type AS from_step,
        b.event_type AS to_step,
        a.user_count AS from_count,
        b.user_count AS to_count,
        ROUND((b.user_count * 100.0 / a.user_count), 2) AS conversion_rate
    FROM funnel_steps a
    JOIN funnel_steps b ON (
        -- 定义漏斗步骤顺序（view_product → add_to_cart → checkout → payment_success）
        (a.event_type = 'view_product' AND b.event_type = 'add_to_cart') OR
        (a.event_type = 'add_to_cart' AND b.event_type = 'checkout') OR
        (a.event_type = 'checkout' AND b.event_type = 'payment_success')
    )
)
SELECT * FROM funnel_conversion;

关键点解析：

1. 事件排序 (ROW_NUMBER())：标记用户行为的先后顺序。
2. 漏斗步骤统计：计算每个关键事件的独立用户数。
3. 转化率计算：通过自连接比较相邻步骤的用户数差异。
4. 动态条件连接：确保只计算相邻步骤的转化率（如“加购”到“结算”）。