Nivel 2 · Clientes que devolvieron algo

“Clientes que hicieron X” es un semi-join: conservar filas de una tabla cuando existe una fila relacionada en otra, sin traer las columnas de esa tabla. Hay tres formas de escribirlo, y no se comportan igual.

JOIN crea duplicados

SELECT c.customer_id, c.first_name
FROM customers AS c
JOIN orders AS o ON o.customer_id = c.customer_id
JOIN order_items AS i ON i.order_id = o.order_id
JOIN returns AS r ON r.order_item_id = i.order_item_id;

Un cliente con tres devoluciones aparece tres veces. Podrías añadir DISTINCT, pero ese es el hábito de “esconder el fan-out” del capítulo 1. Aquí funciona y se rompe en silencio en cuanto alguien añade un SUM.

EXISTS

SELECT c.customer_id, c.first_name, c.last_name
FROM customers AS c
WHERE EXISTS (
  SELECT 1
  FROM orders AS o
  JOIN order_items AS i ON i.order_id = o.order_id
  JOIN returns AS r ON r.order_item_id = i.order_item_id
  WHERE o.customer_id = c.customer_id
);

EXISTS es verdadero si la subconsulta devuelve al menos una fila. Cada cliente se prueba una vez y se conserva una vez, sin importar cuántas devoluciones tenga. El SELECT 1 es una convención; EXISTS ignora lo que la subconsulta selecciona. La línea WHERE o.customer_id = c.customer_id la hace correlacionada: ata la consulta interna al cliente externo actual. Si la olvidas, EXISTS es verdadero para todos en cuanto existe cualquier devolución.

IN

WHERE c.customer_id IN (
  SELECT o.customer_id
  FROM orders AS o
  JOIN order_items AS i ON i.order_id = o.order_id
  JOIN returns AS r ON r.order_item_id = i.order_item_id
)

Mismo resultado, y a mucha gente le resulta más fácil de leer. Los duplicados en la lista no importan.

NOT IN y la trampa del NULL

Las formas negativas son donde difieren. x NOT IN (1, 2, NULL) significa x <> 1 AND x <> 2 AND x <> NULL. La última comparación es desconocida, así que toda la condición nunca es verdadera y no vuelve ninguna fila. Si la columna de la subconsulta puede contener aunque sea un NULL, NOT IN no devuelve nada:

-- returns zero rows: web_sessions.customer_id is NULL for anonymous visitors
SELECT customer_id FROM customers
WHERE customer_id NOT IN (SELECT customer_id FROM web_sessions);

NOT EXISTS no tiene ese problema, porque solo pregunta si existe una fila coincidente:

WHERE NOT EXISTS (
  SELECT 1 FROM web_sessions AS s WHERE s.customer_id = c.customer_id
)

Regla práctica: IN y EXISTS son intercambiables para “tiene una coincidencia”. Para “no tiene coincidencia”, prefiere NOT EXISTS o el anti-join con LEFT JOIN del capítulo 5.

Rendimiento

Un consejo antiguo dice que EXISTS es más rápido que IN, o al revés. Los optimizadores modernos de Postgres, DuckDB, BigQuery y MySQL 8 convierten ambos en el mismo plan de semi-join la mayor parte del tiempo. Elige por corrección y legibilidad.

Nota de entrevista

“Encuentra los clientes que nunca visitaron el sitio” con un NOT IN que devuelve cero filas es una pregunta trampa favorita. Explicar el comportamiento del NULL, y arreglarlo con NOT EXISTS, es la respuesta que destaca.

Errores comunes

• Usar NOT IN sobre una columna que puede ser NULL. Un NULL en la lista hace que customer_id NOT IN (SELECT customer_id FROM web_sessions) devuelva cero filas. Usa NOT EXISTS.
• Olvidar correlacionar la subconsulta. Sin WHERE o.customer_id = c.customer_id, EXISTS es verdadero para todos los clientes en cuanto existe cualquier devolución.
• Hacer un join y añadir DISTINCT en su lugar. La salida parece correcta, pero en cuanto alguien añade un SUM a la consulta, cuenta cada cliente una vez por devolución.

En SQL Server

EXISTS, IN y NOT IN se comportan igual, trampa del NULL incluida: un NULL en una lista de NOT IN no devuelve filas. NOT EXISTS es también el anti-join recomendado en SQL Server.