结论：GROUP BY + 聚合函数是唯一正解，但SQLite不支持在GROUP BY中直接使用表达式（如LENGTH(name)或UPPER(dept)），因其执行早于SELECT，表达式尚未计算，会报语法错误；必须用子查询/CTE预计算字段或引用SELECT中的纯别名。
直接说结论：用 GROUP BY + 聚合函数是唯一正解，但“复杂字段”必须先在 SELECT 中显式定义，不能在 GROUP BY 里写表达式或函数调用（SQLite 不支持）。
为什么不能直接 GROUP BY LENGTH(name) 或 UPPER(dept)
SQLite 的 GROUP BY 子句只接受列名、列别名或位置序号（如 GROUP BY 1），不接受任意表达式。如果你写 GROUP BY LENGTH(name)，会报错：near "(": syntax error。这不是语法疏漏，而是 SQLite 执行顺序决定的——GROUP BY 在 SELECT 之前执行，此时 LENGTH(name) 还没被计算出来。
- 错误示例：
SELECT LENGTH(name), COUNT(*) FROM users GROUP BY LENGTH(name);→ 报错 - 正确做法：把表达式挪到
SELECT并用别名，再在GROUP BY引用该别名 - 注意：别名必须是纯标识符，不能带括号或点号；例如
as name_len可以，as len(name)不行
处理字符串长度、日期年份等“伪字段”的标准写法
所谓“复杂字段”，常见于需要按字符串长度分组、按年份/月份聚合、按价格区间归类等场景。核心思路是：**用子查询或 CTE 提前算好分类字段，再外层分组**。
- 按姓名长度分组统计人数：
SELECT name_len, COUNT(*) FROM (SELECT LENGTH(name) AS name_len FROM users) GROUP BY name_len;
- 按销售日期年份汇总销售额（假设 date 字段为 'YYYY-MM-DD' 格式）：
SELECT SUBSTR(sale_date, 1, 4) AS year, SUM(amount) FROM sales GROUP BY SUBSTR(sale_date, 1, 4);
- 按价格区间分组（0–999、1000–2999、3000+）：
SELECT CASE WHEN price < 1000 THEN 'low' WHEN price < 3000 THEN 'mid' ELSE 'high' END AS price_level, COUNT(*), AVG(price) FROM products GROUP BY price_level;
HAVING 筛选和 WHERE 的分工必须理清
很多人混淆 WHERE 和 HAVING，结果写出逻辑错误或性能极差的语句。关键区别就一条：WHERE 过滤原始行，HAVING 过滤分组后结果——且只有 HAVING 能用聚合函数。
- 想查“每个部门平均工资超 8000 的部门”：必须用
HAVING AVG(salary) > 8000，写在WHERE里会报错 - 想查“只统计 2025 年之后入职的员工再分组”：条件必须写在
WHERE hire_date > '2025-01-01'，放在HAVING里会导致先全量分组再丢弃，浪费资源 - 复合场景（如：2025 年入职员工中，平均工资超 8000 的部门）：
WHERE先筛行，GROUP BY分组，HAVING再筛组，三者缺一不可
性能陷阱：GROUP BY 后没索引，等于给全表加锁扫一遍
只要 GROUP BY 的字段没索引，SQLite 就只能做全表扫描 + 内存排序。尤其当表超过 10 万行，响应会明显变慢。别指望 ORDER BY 带来的索引能复用——GROUP BY 需要的是**分组字段的 B-tree 索引**，不是排序索引。
- 检查是否已有索引：
EXPLAIN QUERY PLAN SELECT * FROM sales GROUP BY category;，如果输出含SCAN TABLE就说明没走索引 - 建索引命令：
CREATE INDEX idx_sales_category ON sales(category); - 注意：如果分组字段经常是表达式结果（如
SUBSTR(date,1,4)），SQLite 不支持函数索引（除非用生成列 + 普通索引），此时优先考虑预计算字段或物化视图
最常被忽略的一点：SQLite 的 GROUP BY 默认行为是“去重 + 排序”，但如果你不需要排序结果，又希望提升速度，可以在连接时加 PRAGMA reverse_unordered_selects = ON; ——不过这会影响可预测性，生产环境慎用。
