作者：Yu Dong

翻译：陈之炎

校对：付文欣

本文约2500字，建议阅读5分钟

十个问题帮你测试出哪个AI助手能写出最佳的SQL代码。

4.2. 问题5：新用户计数

提示：请帮我写一个SQL查询，计算每个月的首次用户数量。首次用户是指下第一个订单的用户。

GPT-4o、Claude 3.5 Sonnet和Gemini Advanced：所有三个AI助手都提供了正确的查询，获得了满分。

4.3. 问题6：最畅销的产品类别

提示：请帮我写一个SQL查询，获取每个月总订单金额排名前5的热门产品类别。

GPT-4o、Claude 3.5 Sonnet和Gemini Advanced：所有三个AI助手都使用窗口函数，提供了正确的查询，获得了满分。

4.4. 问题7：留存率

提示：请帮我写一个SQL查询，计算每个月的用户留存率。月份X的留存率 = 在月份X-1下过订单的用户中，也在X月份下过订单的用户数%。

GPT-4o：它提供了一个错误的答案。它的PreviousMonthUsers CTE和RetainedUsers CTE做了同样的事情……我两次指出它的错误才得到正确的答案。这里打0分。

Claude 3.5 Sonnet：它的初始解决方案也失败了，但比GPT更接近。它计算了当月有订单的用户总数。然而，我想要的分母是月份X-1有订单的用户。Claude在一次跟进后更正了代码，获得了0.5分。

Gemini Advanced：它在第一次尝试中也失败了。它没有按照我的要求计算留存率，即月份X和X-1都有订单的用户/月份X-1有订单的用户，而是做了月份X和X+1都有订单的用户/月份X有订单的用户。在一次跟进后，Gemini更正了代码并获得了0.5分。

第二轮回顾

在这一轮中，Claude 3.5 Sonnet以3.5分加上0.5额外分数领先。ChatGPT-4o得分3分，加上0.5额外分数，在创建和管理合成数据集方面表现出色。Gemini Advanced得分3.5分，它是唯一一个不能直接上传CSV文件的模型。

第二轮得分（图片由作者提供）

5. 第三轮：查询优化

在这最后一轮中，我专注于查询优化技能，我使用了SQL优化文章中的低效代码示例，这些查询基于上述相同的四个假数据集。

5.1. 问题8：仅选择必要的列

我期望：在窗口函数中选择必要的列，用比SELECT 更好的方法。

GPT-4o：它通过选择相关列并提供清晰的解释来优化查询，它还建议确保适当的索引以提高窗口函数的性能。给予满分。

Claude 3.5 Sonnet：Claude不仅选择了相关列，还使用了COALESCE(SUM(price), 0) AS first_order_amount来处理潜在的空值情况。给予满分。

Gemini Advanced：Gemini也通过选择相关列并提供索引建议来优化查询。给予满分。

5.2. 问题9：预聚合

我的期望：鉴于users是一个具有许多列的宽表，最好先进行聚合计算first_order_amount，然后再连接到users表以获取所有列。

GPT-4o：最初，GPT-4o只更新了格式，并在users表中明确列出了列。在提示了users表的宽表性质后，它建议先进行预聚合，获得0.5分。

Claude 3.5 Sonnet：Claude建议预聚合，将大表连接移到最后一步进行优化，并提供了清晰的解释。给予满分。

Gemini Advanced：Gemini也建议预聚合，但查询有语法问题，它坚持认为查询是正确的……我非常困惑，所以我自己在Snowflake中测试了一个类似的查询（它抛出了语法错误：意外的‘GROUP’），并询问了ChatGPT和Claude。我95%确定你不能以这种方式在同一个CTE中使用QUALIFY和GROUP BY……鉴于这是一个语法错误，Gemini获得0分。但如果这在其他一些数据仓库中有效，请务必告诉我。

5.3. 问题10：去重

我期望：该查询使用DISTINCT、UNION和ROW_NUMBER()进行去重，所有这三个操作成本都很高，并且是在做同样的事情，所以应消除重复的去重工作。

GPT-4o：它优化了代码，但改变了输出表结构。好吧，我想我没有明确说我需要相同的输出结构……在澄清后，它提供了具有正确列的优化代码。我在这里给它0.5分。

Claude 3.5 Sonnet：Claude提供了一个解决方案，将两个窗口函数CTE合并为一个，并使用CASE WHEN + WHERE rn_first=1 OR rn_last=1来获得相同结构的输出。老实说，我甚至没有想到这种方法。它再次获得满分。

Gemini Advanced：Gemini也将两个窗口函数合并为一个，但然后使用DISTINCT获取首次和最后一次订单ID。这需要两次表扫描，DISTINCT成本昂贵，所以在我看来它似乎不如Claude的解决方案有效。我给它0.5分。

第3轮回顾

在这一轮查询优化中，Claude 3.5 Sonnet是明显的赢家，三个问题都答对了，并且提供了创新的解决方案。ChatGPT-4o在两个问题上需要指导，但最终所有问题都回答正确，获得了2分。Gemini Advanced有一个语法错误，并产生了一个不太优化的代码，因此得到了1.5分。

第3轮得分（图片由作者提供）

6. 总结

最终得分Final scores （图片由作者提供）

Claude 3.5 Sonnet (10 分)

Claude在SQL生成和优化方面表现最佳，最初只错了一个问题，但在澄清后很快纠正了。如果你正在寻找一个AI来协助SQL查询，我会100%推荐Claude。我还喜欢他们的用户界面，可以格式化文本输入以提高可读性。另一个我欣赏的功能是他们的“项目”功能——你可以设置自定义指令并在项目级别共享知识，这对于团队使用非常方便。然而，它的文件上传限制具有挑战性，如果你想与它共享真实数据集，他们能实际接受的文件大小远低于官宣的和ChatGPT允许的，可能是出于需求量比较高的原因，希望Claude能尽快改进这个功能。

Claude项目（图片由作者提供）

GPT-4o (8 分)

GPT-4o能够编写语法正确的SQL，它在业务逻辑方面表现出色，但在查询优化方面落后。GPT-4o的一个显著优势是能够直接在用户界面中加载数据集并与它们互动，助力数据理解和探索——你可以在我的文章：（https://towardsdatascience.com/evaluating-chatgpts-data-analysis-improvements-interactive-tables-and-charts-622d3e5a3816）中了解更多关于这个功能的信息。它生成带有下载链接的合成数据集的能力也给人留下了深刻印象。

Gemini Advanced (7分)

Gemini在所有三个类别中的性能都比Claude和ChatGPT差，但它仍然设法正确回答了70%的问题。能够搜索网站并提供参考链接是它的竞争优势。然而，根据上文的经验，链接有时是不相关的，或者与其回应不匹配，这破坏了回答的可信度。Gemini的另一个优势是它与Google套件其他产品集成。例如，可以在Google电子表格中打开它生成的数据集。

7. 下一步是什么

现在我们已经比较了SQL技能，接下来我计划评估下面这些数据科学技能。如果你有任何其他领域希望我一并评估的，请告诉我！

探索性数据分析（EDA）可视化机器学习文本分析数据科学商业案例

对AI和数据科学感兴趣？这里有更多文章可以查看：

ChatGPT能否取代数据科学家？这是我的看法：

https://towardsdatascience.com/evaluating-chatgpt-in-data-science-churn-prediction-analysis-as-an-example-feec7edc23af

我对ChatGPT交互式表格和图表功能的评价：

https://towardsdatascience.com/evaluating-chatgpts-data-analysis-improvements-interactive-tables-and-charts-622d3e5a3816

如何使用OpenAI API进行文本分类和摘要？我的代码示例：

https://ydong029.medium.com/topic-summarization-and-categorization-with-gpt-717a40130d25

你听说过Google的新AI笔记本吗？在这里查看：

https://levelup.gitconnected.com/how-googles-powerful-ai-notebook-will-transform-your-research-and-learning-116e116db4e0

作者简介：

本文由Yu Dong撰写

1.8K关注者 · Towards Data Science撰稿人

Brex数据科学 | 数据故事讲述者