SQL 从 table 1 中查找不在 table 2 中或在 table 2 中的符合条件的记录

Question

我看到很多关于如何查找不在另一个 table 中的记录的示例，但是我在查找不在 table 2 中或者是在 table 两个中，但 freq 列值小于 10%。

我首先要加入一个变体列表，其中包含 BRCA1、BRCA2 和任何以 BRC 开头的基因的整体基因名称，其中变体位于起始位置和终止位置之间。

根据这些结果，我想检查鱼子酱等位基因频率 (k) 和 return 结果，这些结果要么在鱼子酱 table 中没有条目，要么结果在鱼子酱中table，alle_freq < .10。第一次连接的结果需要通过 chr、pos、ref 和 alt 与 kaviar 匹配。

我试过：

SELECT DISTINCT *
FROM puzz p, ensembl ens, kaviar k
WHERE (ens.gene_name IN ('BRCA1', 'BRCA2')
   OR ens.gene_name LIKE 'RAS%')
AND p.chr = ens.chromosome
AND p.pos >= ens.start AND p.pos <= ens.stop
AND NOT EXISTS
 (SELECT k.chromosome, k.pos, k.ref, k.alt, k.alle_freq, k.alle_cnt
  FROM public_hg19.kaviar k
  WHERE  p.chr = k.chromosome
  AND p.pos = k.pos
  AND p.ref = k.ref
  AND p.alt = k.alt
  )
  AND p.pos = k.pos
  AND p.ref = k.ref
  AND p.alt = k.alt
  AND k.alle_freq < .10

我也试过：

WITH puzz AS (
SELECT * 
FROM puzz p
WHERE p.gt IS NOT NULL
)

SELECT DISTINCT t1.*, kav.*
FROM
(SELECT puzz.*, ens.*
FROM puzz, public_hg19.ensembl_genes AS ens
WHERE (ens.gene_name IN IN ('BRCA1', 'BRCA2')
   OR ens.gene_name LIKE 'RAS%')
AND puzz.chr = ens.chromosome
AND puzz.pos BETWEEN ens.start AND ens.stop
AND ens.chromosome NOT LIKE "H%") t1

LEFT JOIN  

public_hg19.kaviar as kav
ON kav.chromosome = t1.chr
AND kav.pos = t1.pos
AND kav.ref = t1.ref
AND kav.alt = t1.alt
AND (kav.alle_freq < .10 OR kav.alle_freq IS NULL)

解决方案：感谢@John Bollinger 提供解决方案的框架。

因为 Impala 没有索引，最快的解决方案涉及创建一个临时 table 来缩小传递给字符串操作的行数，如 ens temp table 所示.

WITH ens AS (
 SELECT DISTINCT chromosome as chr, start, stop, gene_name
   FROM public_hg19.ensembl_genes
  WHERE (gene_name IN ( 'BRCA1', 'BRCA2')
     OR gene_name LIKE 'RAS%')
    AND chromosome NOT LIKE "H%"
)
SELECT p.*, k.chromosome, k.pos, k.id, k.ref, k.alt,
       k.qual, (k.alle_freq * 100) as kav_freqPct, k.alle_cnt as kav_count
  FROM
(SELECT DISTINCT p.sample_id, p.chr, p.pos, p.id,
                 p.ref, p.alt, p.qual, p.filter,
                 ens.gene_name
  FROM ens, p7_ptb.itmi_102_puzzle p
  WHERE p.chr = ens.chr
  AND p.gt IS NOT NULL
  AND p.pos >= ens.start AND p.pos <= ens.stop
) AS p
LEFT JOIN public_hg19.kaviar k
      ON p.chr = k.chromosome
      AND p.pos = k.pos
      AND p.ref = k.ref
      AND p.alt = k.alt
WHERE COALESCE(k.alle_freq, 0.0) < .10

正如@Gordon Linoff 所指出的，下一行也可能是

WHERE (k.alle_freq IS NULL OR k.alle_freq < 0.10)

两个最终子句 return 的结果相同，但在 impala 上，合并函数不知何故更快。

Answer 1

您提出的两个查询似乎不匹配。 Table 名称不同，并且某些过滤条件根本不相关。特别是，条件 AND ens.chromosome NOT LIKE "H%"（引号不正确）从何而来？

我确实认为您的外连接方法很有前途，但我不明白您为什么需要 CTE 或内联视图。

此外，"any gene that starts with 'BRC'" 包括 'BRCA1' 和 'BRCA2'，因此您无需单独测试它们。删除冗余条件可能会稍微提高性能。

此外，如果您的数据结构恰好会排除重复行，那么明确选择 DISTINCT 行对您没有帮助，反而可能会伤害您。（尽管如此，我还是遵循您的建议，将其包含在我建议的查询中。）如果有很多结果，那么 SELECT DISTINCT 是昂贵的；特别是如果您选择了很多列。

这似乎准确地表达了您描述的查询：

SELECT DISTINCT
  p.sample_id, p.chr, p.pos, p.ref,
  p.alt, p.gt, p.qual, p.filter
FROM
  p7_ptb.itmi_102_puzzle p
  join public_hg19.ensembl_genes ens
    ON p.chr = ens.chromosome
  left join public_hg19.kaviar k
    ON p.chr = k.chromosome
      AND p.pos = k.pos
      AND p.ref = k.ref
      AND p.alt = k.alt
WHERE
  ens.gene_name LIKE 'BRC%'
  AND ens.chromosome NOT LIKE 'H%'
  AND p.pos BETWEEN ens.start AND ens.stop
  AND COALESCE(k.alle_freq, 0.0) < .10

如果它对您来说不够快，那么您需要检查您的查询计划以确定瓶颈是什么，而不是试图猜测。

Answer 2

你能做到吗？

select * from `mytables`
where not exists 
(select * from `kaviar`) 
or in (select * from `kaviar` where alle_freq < .1)

Answer 3

   SELECT t1.* 
     FROM table1 t1
LEFT JOIN table2 t2 
       ON t1.col1 = t2.col1
    WHERE t2.col1 IS NULL
       OR t2.alle_freq < 10

Answer 4

首先修复您的基本查询以使用正确的 join 语法并简化逻辑（例如，IN 是不必要的）。

SELECT DISTINCT *
FROM puzz p JOIN
     ensembl ens
     ON p.chr = ens.chromosome AND
        p.pos >= ens.start AND p.pos <= ens.stop
WHERE ens.gene_name LIKE 'BRC%'

我怀疑不需要 DISTINCT。如果不是，请将其删除。然后，根据需要使用 LEFT JOIN 和其他逻辑：

SELECT DISTINCT *
FROM puzz p JOIN
     ensembl ens
     ON p.chr = ens.chromosome AND
        p.pos >= ens.start AND p.pos <= ens.stop LEFT JOIN
     kaviar k
     ON p.chr = k.chromosome AND
        p.pos = k.pos AND
        p.ref = k.ref AND
        p.alt = k.alt
WHERE ens.gene_name LIKE 'BRC%' AND
      (k.chr IS NULL OR k.alle_freq < 0.10)

注意：这是您使用 left join 的情况，但第二个 table 的条件进入 WHERE 子句而不是 ON 子句。

SQL 从 table 1 中查找不在 table 2 中或在 table 2 中的符合条件的记录

SQL find records from table 1 that are not in table 2 OR in table 2 with condition

mysql

sql

left-join

exists

impala