数据库SQL Server列拼接Join和Union

文章目录

在 SQL Server中, JOIN和 UNION是两种不同的操作,它们用于合并来自两个或多个表的数据。

JOIN

JOIN操作用于将两个或多个表中的行结合起来,基于它们之间的某种关系。SQL Server支持多种类型的JOIN:

  • INNER JOIN:只返回两个表中连接条件相匹配的行。
  • LEFT JOIN (或 LEFT OUTER JOIN):返回左表中的所有行,即使右表中没有匹配的行。右表中不匹配的行将为NULL。
  • RIGHT JOIN (或 RIGHT OUTER JOIN):返回右表中的所有行,即使左表中没有匹配的行。左表中不匹配的行将为NULL。
  • FULL JOIN (或 FULL OUTER JOIN):返回左表和右表中的行,只要其中一个表存在匹配。不匹配的行在另一侧为NULL。
  • CROSS JOIN:返回两个表的笛卡尔积,即第一个表中的每一行与第二个表中的每一行组合。
JOIN的基本语法如下:
sql 复制代码
SELECT columns
FROM table1
JOIN_TYPE table2
ON table1.column_name = table2.column_name;
UNION

UNION操作用于合并两个或多个SELECT语句的结果集,但与JOIN不同,UNION操作要求所有合并的列数和数据类型必须相同。

  • UNION:返回不同的(唯一的)行。默认情况下,UNION会去除重复的行。
  • UNION ALL:返回所有行,包括重复的行。
UNION的基本语法如下:
sql 复制代码
SELECT columns
FROM table1
UNION [ALL]
SELECT columns
FROM table2;
  • 示例
    假设有两个表Employees和Departments:
sql 复制代码
CREATE TABLE Employees (
    EmployeeID int,
    Name varchar(255),
    DepartmentID int
);

CREATE TABLE Departments (
    DepartmentID int,
    DepartmentName varchar(255)
);
  • 使用JOIN来获取员工及其部门名称:
sql 复制代码
SELECT Employees.Name, Departments.DepartmentName
FROM Employees
INNER JOIN Departments ON Employees.DepartmentID = Departments.DepartmentID;
  • 使用UNION来合并两个查询的结果集:
sql 复制代码
SELECT Name FROM Employees
UNION
SELECT DepartmentName FROM Departments;

请注意,UNION要求两个查询选择的列数相同,并且相应的列数据类型兼容。而UNION ALL则不需要去除重复的行,因此可能会包含重复的数据。

相关推荐
IT研究室几秒前
最新计算机毕业设计选题推荐-基于spring boot的幼儿园管理系统-网站-文档指导-Java-springboot
java·spring boot·课程设计
Alinket1 分钟前
毫米波雷达 vs 摄像头 vs 手环:养老跌倒监测三类方案怎么选
网络·数据库·健康医疗·信息与通信·iot
会编程的吕洞宾2 分钟前
Spring Cloud Gateway限流实战 Redis令牌桶算法+熔断降级
java·后端·spring
Hello.Reader2 分钟前
REA 深度实战让 AI Agent 学会逆向工程,从软件行为分析到二进制原理还原
人工智能
William一直在路上2 分钟前
垂直领域大模型训练的一点思考和探索
人工智能·大模型·llm
腾讯云大数据2 分钟前
本体立骨架,语义供刻度——DataBuddy对企业AI语义架构的一次完整回答
大数据·人工智能·架构·云计算·腾讯云
武汉星际互动6 分钟前
从“一件事”到“一类事”,政务服务改革的“下一站”在哪里?
大数据·人工智能·政务
朝朝辞暮i9 分钟前
VLA 系统学习第 20 课——Diffusion Policy 为什么要先给动作加噪,再学习把噪声去掉?
人工智能·python·深度学习·transformer·vla
七夜zippoe10 分钟前
Agent 权限边界:别让 AI 误删你的生产库(安全设计)
数据库·人工智能·安全·ai·权限边界·安全设计
田里的水稻11 分钟前
RL_强化学习概述---具身机器人
人工智能·深度学习·神经网络·机器学习