Filtre una consulta uno a muchos al exigir que todos cumplan con muchos criterios

Question

Imagine las siguientes tablas:

crear cuadros de tabla (id int, nombre de texto, ...);

crear tabla cosasinboxes (id int, box_id int, thing enum ('apple,' banana ',' orange ');

Y las tablas se ven así:

Boxes:
id | name
1  | orangesOnly
2  | orangesOnly2
3  | orangesBananas
4  | misc

thingsinboxes:
id | box_id | thing
1  |  1     | orange
2  |  1     | orange
3  |  2     | orange
4  |  3     | orange
5  |  3     | banana
6  |  4     | orange
7  |  4     | apple
8  |  4     | banana

¿Cómo selecciono los cuadros que contienen al menos una naranja y nada que no sea naranja?

¿Cómo escala esto, suponiendo que tengo varios cientos de miles de cajas y posiblemente un millón de cosas en cajas?

Me gustaría mantener todo esto en SQL si es posible, en lugar de procesar el conjunto de resultados con un script.

Estoy usando tanto postgres como mysql, por lo que las subconsultas probablemente sean malas, dado que mysql no optimiza las subconsultas (pre versión 6, de todos modos).

Answer 1

SELECT b.*
FROM boxes b JOIN thingsinboxes t ON (b.id = t.box_id)
GROUP BY b.id
HAVING COUNT(DISTINCT t.thing) = 1 AND SUM(t.thing = 'orange') > 0;

---

Aquí hay otra solución que no utiliza GROUP BY:

SELECT DISTINCT b.*
FROM boxes b
  JOIN thingsinboxes t1 
    ON (b.id = t1.box_id AND t1.thing = 'orange')
  LEFT OUTER JOIN thingsinboxes t2 
    ON (b.id = t2.box_id AND t2.thing != 'orange')
WHERE t2.box_id IS NULL;

Como siempre, antes de sacar conclusiones sobre la escalabilidad o el rendimiento de una consulta, debe probarla con un conjunto de datos realista y medir el rendimiento.

Answer 2

Creo que la consulta de Bill Karwin está bien, sin embargo, si una proporción relativamente pequeña de cuadros contiene naranjas, debería poder acelerar las cosas utilizando un índice en el campo thing:

SELECT b.*
FROM boxes b JOIN thingsinboxes t1 ON (b.id = t1.box_id)
WHERE t1.thing = 'orange'
AND NOT EXISTS (
    SELECT 1
    FROM thingsinboxes t2
    WHERE t2.box_id = b.id
    AND t2.thing <> 'orange'
)
GROUP BY t1.box_id

La subconsulta WHERE NOT EXISTS solo se ejecutará una vez por cada cosa naranja, por lo que no es demasiado costosa siempre que no haya muchas naranjas.