SQL: Where

A cláusula WHERE possibilita retirar registros que não são relevantes ou extrair informações úteis através de uma filtragem da tabela do banco de dados por meio da escolha de uma condição. No post de hoje, iremos explicar a cláusula WHERE com exemplos utilizando um banco de dados.

Vamos para um exemplo utilizando o banco de dados weather_stations. Vamos selecionar todas as colunas da tabela station_data para averiguarmos os dados.

Há muitas observações, e que não são úteis. Vamos reduzir o escopo da análise, utilizando dados apenas do ano de 2007.

De forma simples, criamos um código em que selecionamos todas as colunas, e em seguida, criamos uma condição para que apenas as observação iguais (=) a 2007 da coluna year seja consultado.


O sinal de igual (=) faz parte dos operadores lógicos da linguagem que possibilitam criar as condições de um determinado comando.

Vamos consultar todos os anos, menos o de 2007. O operador != possibilita criar uma condição de negação.

*Podemos utilizar <> ao invés de != .

Caso desejamos consultar entre um intervalo, por exemplo, todos os valores entre 2007 a 2010, devemos utilizar o operador BETWEEN. Veja que para especificar que há um intervalo entre os valores, é necessário utilizar AND.

É importante salientar que BETWEEN inclui os valores de 2007 e 2010.

O operador BETWEEN pode ser substituída utilizando os operadores maior e menor que (com ou sem igualdade) determinado valor. É interessante esse método devido a sua flexibilidade.

Caso queiramos incluir os anos 2007 e 2010:

Se quisermos excluir os anos e obter apenas o valores entre o intervalo.

Outro tipo de condição é o OR, onde podemos realizar a união de condições. O código abaixo resulta em valores que são nos meses 3 ou 6 ou 9 ou 12.

Para tornar mais simples e eficiente o resultado acima, é possível substituir por IN seguido de parênteses e a sequência dos valores separados por vírgula.

Considerações

A cláusula WHERE permite que as consultas sejam facilitadas e permitem que a análise seja melhor orientada, criando-se um processo em que seja possível encontrar padrões e reduzir o tamanho do banco de dados.

____________________________________________________

Quer aprender mais?

Veja nosso curso de SQL para Economia e Finanças, onde ensinamos todo o processo para aqueles que desejam entrar na área. O curso faz parte da trilha Ciência de Dados para Economia e Finanças.

____________________________________________________

Referências

Nield, Thomas. Getting Started with SQL: A Hands-On Approach for Beginners. O'Reilly Media, Inc., 2016.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

O que é e como funcionam Sistemas Multi-Agentes

Sistemas multi-agentes (MAS) representam uma nova forma de estruturar aplicações de inteligência artificial, especialmente úteis para lidar com problemas complexos e distribuídos. Em vez de depender de um único agente generalista, esses sistemas são compostos por múltiplos agentes especializados que colaboram, competem ou se coordenam para executar tarefas específicas. Neste post, explicamos o que são os MAS, seus principais componentes (como LLMs, ferramentas e processos) e as arquiteturas mais comuns.

O que é um Vector Database e como criar um com LangChain

Nesta postagem, mostramos como construir um pipeline simples de RAG (Retrieval-Augmented Generation) usando o LangChain, o modelo Gemini 2.0 Flash e o Vector Database Chroma. Utilizamos como exemplo o Relatório de Inflação de junho de 2025 do Banco Central do Brasil. O fluxo envolve o download e leitura do PDF, divisão do texto com RecursiveCharacterTextSplitter, geração de embeddings com Gemini, armazenamento vetorial com Chroma e busca semântica para responder perguntas com base no conteúdo do relatório. É uma aplicação prática e didática para economistas que desejam integrar IA ao seu fluxo de análise.

Automatizando a Construção de Códigos em Python com LangGraph

Neste post, mostramos como construir um agente de código em Python utilizando LangGraph, LangChain e Gemini. A proposta é construir um protótipo para automatizar o ciclo completo de geração, execução e correção de código com o uso de LLMs, organizando o processo em um grafo de estados.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.