오라클 집계함수
menu_book 집계함수란 무엇인가?
- 집계함수는 여러 행의 데이터를 한 개의 결과값으로 요약해주는 함수입니다.
- 마치 엑셀에서 합계나 평균을 구하는 것과 비슷한 개념입니다.
- 다음은 오라클 데이터베이스에서 사용하는 주요 집계 함수 입니다.
| 함수 | 설명 | 사용 예제 | 결과 예시 | 주의사항 |
|---|---|---|---|---|
| COUNT | 행의 개수를 세는 함수 | SELECT COUNT(*) FROM employees; |
107 | NULL 값도 포함하여 카운트 |
| SUM | 숫자 값의 합계 계산 | SELECT SUM(salary) FROM employees; |
691400 | NULL 값은 무시됨 |
| AVG | 숫자 값의 평균 계산 | SELECT AVG(salary) FROM employees; |
6461.68224 | NULL 값은 계산에서 제외 |
| MAX | 그룹 내 최대값 찾기 | SELECT MAX(hire_date) FROM employees; |
2000-04-21 | 날짜, 문자, 숫자 모두 적용 가능 |
| MIN | 그룹 내 최소값 찾기 | SELECT MIN(salary) FROM employees; |
2100 | MAX와 마찬가지로 다양한 타입 적용 가능 |
| LISTAGG | 문자열을 연결하여 한 행으로 표시 | SELECT LISTAGG(name, ', ') WITHIN GROUP (ORDER BY name) FROM employees; |
"John, Mary, ..." | 4000바이트 제한 주의 |
| STDDEV | 표준편차 계산 | SELECT STDDEV(salary) FROM employees; |
3909.57975 | 통계 분석에 사용 |
| VARIANCE | 분산 계산 | SELECT VARIANCE(salary) FROM employees; |
15284811 | 데이터 분포 분석용 |
단일 집계 함수 사용
-- 전체 직원 수 조회 SELECT COUNT(*) AS total_employees FROM employees;
-- 평균 급여 조회 (소수점 2자리까지) SELECT ROUND(AVG(salary), 2) AS avg_salary FROM employees;
GROUP BY와 함께 사용
-- 부서별 평균 급여 조회
SELECT
department_id,
COUNT(*) AS emp_count,
ROUND(AVG(salary), 2) AS avg_salary,
MAX(salary) AS max_salary,
MIN(salary) AS min_salary
FROM
employees
GROUP BY
department_id
ORDER BY
department_id;
HAVING 절로 필터링
-- 평균 급여가 5000 이상인 부서만 조회
SELECT
department_id,
AVG(salary) AS avg_salary
FROM
employees
GROUP BY
department_id
HAVING
AVG(salary) >= 5000
ORDER BY
avg_salary DESC;
- 고급 기능 예제
LISTAGG로 문자열 합치기
-- 부서별 직원 이름 목록 생성
SELECT
department_id,
LISTAGG(first_name, ', ') WITHIN GROUP (ORDER BY first_name) AS employees
FROM
employees
GROUP BY
department_id;
ROLLUP으로 소계 생성
-- 부서별 + 전체 급여 합계
SELECT
department_id,
SUM(salary) AS total_salary
FROM
employees
GROUP BY
ROLLUP(department_id);
분석 함수와 함께 사용
-- 부서별 급여 비율 계산
SELECT
first_name,
department_id,
salary,
ROUND(salary/SUM(salary) OVER (PARTITION BY department_id)*100, 2) || '%' AS salary_percent
FROM
employees;
- 주의사항
- NULL 처리: 대부분의 집계 함수는 NULL 값을 무시합니다. (COUNT(*) 제외)
- GROUP BY: SELECT 절에 집계 함수가 아닌 컬럼은 반드시 GROUP BY에 포함해야 합니다.
- 성능 문제: 대량 데이터에서 복잡한 집계 연산은 성능 저하를 일으킬 수 있습니다.
- HAVING vs WHERE: WHERE는 그룹화 전 필터링, HAVING은 그룹화 후 필터링입니다.
고급 집계 함수
- 오라클 19c 고급 집계 함수 가이드
| 함수 | 설명 | 사용 예제 | 결과 예시 | 적용 버전 |
|---|---|---|---|---|
| APPROX_COUNT_DISTINCT | 고유 값의 근사치 계산 (대용량 데이터에 최적화) | `SELECT APPROX_COUNT_DISTINCT(product_id) FROM sales;` | 12578 | 12cR1 이상 |
| APPROX_PERCENTILE | 근사 백분위수 계산 | `SELECT APPROX_PERCENTILE(0.5) WITHIN GROUP (ORDER BY salary) FROM employees;` | 6500 | 12cR2 이상 |
| JSON_ARRAYAGG | 결과를 JSON 배열로 집계 | `SELECT JSON_ARRAYAGG(employee_name) FROM employees;` | `["John","Mary",...]` | 12c 이상 |
| JSON_OBJECTAGG | 결과를 JSON 객체로 집계 | `SELECT JSON_OBJECTAGG(employee_id:salary) FROM employees;` | `{"100":24000,...}` | 12c 이상 |
| COVAR_POP, COVAR_SAMP | 공분산 계산 (모집단/표본) | `SELECT COVAR_POP(salary, commission_pct) FROM emp;` | 1250.25 | 10g 이상 |
| CORR | 상관계수 계산 | `SELECT CORR(sales, profit) FROM biz_data;` | 0.85 | 10g 이상 |
| REGR_* | 선형 회귀 함수군 | `SELECT REGR_SLOPE(y, x) FROM points;` | 1.25 | 10g 이상 |
| STATS_MODE | 최빈값 반환 | `SELECT STATS_MODE(department_id) FROM employees;` | 50 | 10g 이상 |
| LISTAGG (향상된 기능) | 중복 제거 옵션 추가 | `SELECT LISTAGG(DISTINCT city, ', ') FROM locations;` | "Seattle, London,..." | 19c 이상 |
| COLLECT | 중첩 테이블로 집계 | `SELECT CAST(COLLECT(phone_number) AS phone_list_t) FROM employees;` | 중첩 테이블 객체 | 10g 이상 |
- 고급 분석 함수 예제
패턴 매칭 분석 (MATCH_RECOGNIZE)
-- 주가 데이터에서 V자 패턴 찾기
SELECT *
FROM stock_prices
MATCH_RECOGNIZE (
ORDER BY trade_date
MEASURES
STRT.trade_date AS start_date,
DOWN.trade_date AS bottom_date,
UP.trade_date AS end_date
PATTERN (STRT DOWN+ UP+)
DEFINE
DOWN AS price < PREV(price),
UP AS price > PREV(price)
);
다차원 집계 (CUBE)
-- 부서별, 직급별, 지역별 다차원 집계
SELECT
department_id,
job_id,
location_id,
COUNT(*) AS emp_count,
AVG(salary) AS avg_salary
FROM
employees
GROUP BY
CUBE(department_id, job_id, location_id);
롤링 윈도우 계산
-- 3개월 이동 평균 매출 계산
SELECT
month,
sales,
AVG(sales) OVER (ORDER BY month RANGE BETWEEN INTERVAL '1' MONTH PRECEDING AND INTERVAL '1' MONTH FOLLOWING) AS moving_avg
FROM
monthly_sales;
- JSON 처리 함수 예제
JSON 데이터 집계
-- JSON 배열로 결과 생성
SELECT
department_id,
JSON_ARRAYAGG(
JSON_OBJECT(
'id' VALUE employee_id,
'name' VALUE first_name || ' ' || last_name,
'salary' VALUE salary
)
) AS employees
FROM
employees
GROUP BY
department_id;
- 머신러닝 함수 예제
선형 회귀 분석
-- 매출과 광고비의 관계 분석
SELECT
REGR_SLOPE(sales, ad_cost) AS slope,
REGR_INTERCEPT(sales, ad_cost) AS intercept,
REGR_R2(sales, ad_cost) AS r_squared
FROM
marketing_data;
- 성능 최적화 팁
1. **APPROX 함수** 사용: 정확한 값 대신 근사치가 필요한 대용량 데이터 분석 시 2. **MATERIALIZE 힌트**: 복잡한 집계 쿼리 성능 향상
SELECT /*+ MATERIALIZE */ AVG(salary) FROM large_table;
3. **파티션 활용**: 대량 데이터는 파티션 단위로 집계
SELECT month, SUM(sales) FROM partitioned_sales GROUP BY month;
오라클 19c는 기존 집계 함수의 성능을 개선하고, 빅데이터 분석을 위한 새로운 함수들을 도입했습니다. 실제 적용 시 실행 계획(EXPLAIN PLAN)을 확인하여 최적의 접근 방식을 선택하는 것이 중요합니다.
오라클 19c에서 제공하는 집계함수
APPROX_COUNT ( ( * | expr ) [ , 'MAX_ERROR' ] )
APPROX_COUNT_DISTINCT(expr)
APPROX_COUNT_DISTINCT_AGG( detail )
APPROX_COUNT_DISTINCT_DETAIL( expr )
APPROX_MEDIAN( expr [ DETERMINISTIC ] [, { 'ERROR_RATE' | 'CONFIDENCE' } ] )
APPROX_PERCENTILE( expr [ DETERMINISTIC ] [, { 'ERROR_RATE' | 'CONFIDENCE' } ] )
WITHIN GROUP ( ORDER BY expr [ DESC | ASC ] )
APPROX_PERCENTILE_AGG(expr)
APPROX_PERCENTILE_DETAIL( expr [ DETERMINISTIC ] )
APPROX_RANK ( expr [ PARTITION BY partition_by_clause ] [ ORDER BY order_by_clause DESC] )
APPROX_SUM ( ( * | expr )[ , 'MAX_ERROR' ] )
AVG([ DISTINCT | ALL ] expr) [ OVER(analytic_clause) ]
COLLECT( [ DISTINCT | UNIQUE ] column [ ORDER BY expr ] )
CORR(expr1, expr2) [ OVER (analytic_clause) ]
CORR_K(expr1, expr2 [, { COEFFICIENT | ONE_SIDED_SIG | ONE_SIDED_SIG_POS | ONE_SIDED_SIG_NEG
| TWO_SIDED_SIG } ] )
CORR_S(expr1, expr2 [, { COEFFICIENT | ONE_SIDED_SIG | ONE_SIDED_SIG_POS | ONE_SIDED_SIG_NEG
| TWO_SIDED_SIG } ] )
COUNT({ * | [ DISTINCT | ALL ] expr }) [ OVER (analytic_clause) ]
COVAR_POP(expr1, expr2) [ OVER (analytic_clause) ]
COVAR_SAMP(expr1, expr2) [ OVER (analytic_clause) ]
CUME_DIST(expr[,expr ]...) WITHIN GROUP (ORDER BY expr [ DESC | ASC ] [ NULLS { FIRST | LAST } ]
[, expr [ DESC | ASC ] [ NULLS { FIRST | LAST } ] ]... )
DENSE_RANK(expr [, expr ]...) WITHIN GROUP (ORDER BY expr [ DESC | ASC ] [ NULLS { FIRST | LAST } ]
[,expr [ DESC | ASC ] [ NULLS { FIRST | LAST } ] ]... )
aggregate_function KEEP ( DENSE_RANK FIRST ORDER BY expr [ DESC | ASC ] [ NULLS { FIRST | LAST } ]
[, expr [ DESC | ASC ] [ NULLS { FIRST | LAST } ] ]... )
[ OVER ( [query_partition_clause] ) ]
GROUP_ID( )
GROUPING(expr)
GROUPING_ID(expr [, expr ]...)
JSON_ARRAYAGG( expr [ FORMAT JSON ] [ order_by_clause ] [ JSON_on_null_clause ]
[ JSON_agg_returning_clause ] [ STRICT ] )
JSON_OBJECTAGG( [ KEY ] key_expr VALUE val_expr [ JSON_on_null_clause ]
[ JSON_agg_returning_clause ]
[ STRICT ] [ WITH UNIQUE KEYS ] )
aggregate_function KEEP(DENSE_RANK LAST ORDER BY expr [ DESC | ASC ] [ NULLS { FIRST | LAST } ]
[, expr [ DESC | ASC ] [ NULLS { FIRST | LAST } ] ]... )
[ OVER ( [query_partition_clause] ) ]
LISTAGG( [ ALL | DISTINCT ] measure_expr [, ' delimiter ' ] [ listagg_overflow_clause ] )
[ WITHIN GROUP ( order_by_clause ) ] [ OVER ( [ query_partition_clause ] ) ]
MAX([ DISTINCT | ALL ] expr) [ OVER (analytic_clause) ]
MEDIAN(expr) [ OVER ( [ query_partition_clause ] ) ]
MIN([ DISTINCT | ALL ] expr) [ OVER (analytic_clause) ]
PERCENT_RANK(expr [, expr ]...) WITHIN GROUP (ORDER BY expr [ DESC | ASC ] [NULLS { FIRST | LAST } ]
[, expr [ DESC | ASC ] [NULLS { FIRST | LAST } ] ]... )
PERCENTILE_CONT(expr) WITHIN GROUP (ORDER BY expr [ DESC | ASC ]) [ OVER (query_partition_clause) ]
PERCENTILE_DISC(expr) WITHIN GROUP (ORDER BY expr [ DESC | ASC ]) [ OVER (query_partition_clause) ]
RANK(expr [, expr ]...) WITHIN GROUP (ORDER BY expr [ DESC | ASC ] [ NULLS { FIRST | LAST } ]
[, expr [ DESC | ASC ] [ NULLS { FIRST | LAST } ] ]... )
REGR_SLOPE(expr1 , expr2) [ OVER (analytic_clause) ]
REGR_INTERCEPT(expr1 , expr2) [ OVER (analytic_clause) ]
REGR_COUNT(expr1 , expr2) [ OVER (analytic_clause) ]
REGR_R2(expr1 , expr2) [ OVER (analytic_clause) ]
REGR_AVGX(expr1 , expr2) [ OVER (analytic_clause) ]
REGR_AVGY(expr1 , expr2) [ OVER (analytic_clause) ]
REGR_SXX(expr1 , expr2) [ OVER (analytic_clause) ]
REGR_SYY(expr1 , expr2) [ OVER (analytic_clause) ]
REGR_SXY(expr1 , expr2) [ OVER (analytic_clause) ]
STATS_BINOMIAL_TEST(expr1, expr2, p [, { 'TWO_SIDED_PROB' | 'EXACT_PROB' |
'ONE_SIDED_PROB_OR_MORE' |
'ONE_SIDED_PROB_OR_LESS' } ] )
STATS_CROSSTAB(expr1, expr2 [, { 'CHISQ_OBS' | 'CHISQ_SIG' | 'CHISQ_DF' | 'PHI_COEFFICIENT'
| 'CRAMERS_V' | 'CONT_COEFFICIENT' | 'COHENS_K' } ] )
STATS_F_TEST(expr1, expr2
[, { { 'STATISTIC' | 'DF_NUM' | 'DF_DEN' | 'ONE_SIDED_SIG' } , expr3 | 'TWO_SIDED_SIG' } ] )
STATS_KS_TEST(expr1, expr2 [, { 'STATISTIC' | 'SIG' } ] )
STATS_MODE(expr)
STATS_MW_TEST(expr1, expr2 [, { 'STATISTIC' | 'U_STATISTIC' | 'ONE_SIDED_SIG' ,
expr3 | 'TWO_SIDED_SIG' } ] )
STATS_ONE_WAY_ANOVA(expr1, expr2 [, { 'SUM_SQUARES_BETWEEN' | 'SUM_SQUARES_WITHIN'
| 'DF_BETWEEN' | 'DF_WITHIN'
| 'MEAN_SQUARES_BETWEEN' | 'MEAN_SQUARES_WITHIN'
| 'F_RATIO' | 'SIG' } ] )
STATS_T_TEST_*
STATS_WSR_TEST(expr1, expr2 [, { 'STATISTIC' | 'ONE_SIDED_SIG' | 'TWO_SIDED_SIG' } ] )
STDDEV([ DISTINCT | ALL ] expr) [ OVER (analytic_clause) ]
STDDEV_POP(expr) [ OVER (analytic_clause) ]
STDDEV_SAMP(expr) [ OVER (analytic_clause) ]
SUM([ DISTINCT | ALL ] expr) [ OVER (analytic_clause) ]
SYS_OP_ZONE_ID( [ [ schema. ] table. | t_alias. ] rowid [, scale ] )
SYS_XMLAGG(expr [, fmt ])
TO_APPROX_COUNT_DISTINCT(detail)
TO_APPROX_PERCENTILE(detail, expr, 'datatype' [, { 'DESC' | 'ASC' | 'ERROR_RATE' | 'CONFIDENCE' } ])
VAR_POP(expr) [ OVER (analytic_clause) ]
VAR_SAMP(expr) [ OVER (analytic_clause) ]
VARIANCE([ DISTINCT | ALL ] expr) [ OVER (analytic_clause) ]
XMLAGG(XMLType_instance [ order_by_clause ])