汽车销量数据导入MySQL：表结构、清洗与踩坑

1. 接到“导入数据库”任务时，最先想清楚的三个问题

先说结论：国内汽车销量分析这个项目，真正卡住大部分人的不是后续的可视化和报表，而是最不起眼的“导入数据库”这一步。我接过不少数据项目，也带过小组团队，发现只要这一步出问题，后面全盘崩。因为这个任务表面上是“把Excel或CSV弄进MySQL”，实际上牵扯到源数据长什么样、目标表怎么建、字段怎么映射、脏数据怎么处理、重复数据怎么去重、编码是否统一、导入失败怎么回滚。任何一个环节没想清楚，导入过程就会变成一场灾难。

之所以说“导入”是小组项目的分水岭，是因为它处在数据采集和分析之间。你们小组成员可能是从公开渠道整理的销量榜单，可能是从行业报告里手工摘录的表格，也可能是爬虫抓取的一堆散文件。不管来源是哪一种，到了导入这一步，数据几乎不可能是干净的。这时候如果你直接往数据库里怼数据，后面做销量趋势分析、品牌排行、价格区间分布时，结果全是错的，而且你根本不知道错在哪。所以我一直强调，导入不是“搬数据”，而是“把不可控的原始数据，变成可控的结构化数据”。

在动手写导入脚本之前，有三件事必须先想清楚。

第一，目标数据库用什么。国内汽车销量分析，数据量一般不会特别大，几千到几万行撑死了。这种规模下，MySQL完全够用，生态成熟、问题好查、网上资料多，小组成员遇到问题也容易互相救火。如果你用了Oracle或者达梦这种重型数据库，虽然也不是不行，但课程设计或小组项目里完全没有必要，反而会引入部署、权限、连接配置上的一堆额外成本。PostgreSQL也可以，只是团队里如果其他人不熟，协作成本会高一点。我的建议很直接：默认MySQL 8.x，字符集用utf8mb4，排序规则用utf8mb4_unicode_ci，这是中文数据的标准配置。

第二，源数据的格式和规模。你手里是一份Excel、多个Sheet、CSV、JSON，还是数据库导出的SQL文件？这决定了你的技术选型。CSV就用LOAD DATA或pandas；Excel里的多个Sheet可能需要先做表头合并；如果源文件是别人发给你的SQL脚本，反而要小心字段顺序和表结构不一致的问题。另外，数据量决定了你要不要做批量写入和事务控制。几千行随便插，几十万行就必须用批量提交，否则插到一半卡死是非常常见的事。

第三，表结构是否已经确定。很多小组项目是“边导边设计表”，这是最大的坑。表结构没定就导入，你就得反复删表重建，索引、字段类型改来改去，最后数据导入流程跑通了，人已经累瘫了。最合理的顺序是：先做表结构设计，再做数据清洗，最后才执行导入。很多人把顺序搞反了，结果导入脚本写了一堆，表结构一变全白写。

提示：如果你只是负责“导入数据库”这一部分，一定不要自己去拍板表结构，先去问负责分析的同学：你们后续要做哪些维度的分析？是按品牌、按车型、按月、按价格区间还是按地区？分析维度决定了你表里必须有哪些字段，这是设计的输入，不是你自己臆想的。

2. 表结构怎么设计，导入才会少走弯路

2.1 字段类型设计：销量、价格、日期各用什么类型

汽车销量数据最容易出现的类型错误就是“什么都用 VARCHAR 存”。我见过不少小组项目，把销量、月份、价格全是 TINYTEXT，查询的时候用 STR_TO_DATE 转来转去。这种设计短期看省事，长期看是给自己埋雷。

我建议的字段设计思路是这样：

• 品牌和车型名称用 VARCHAR(50)，如果不同品牌名称差异大，VARCHAR(100) 更稳妥。
• 车系名称，比如“卡罗拉”“轩逸”“Model Y”，这种字段后面要做 GROUP BY，所以尽量控制长度，不要塞太多备注信息。
• 销量字段用 INT UNSIGNED，因为汽车销量不可能是负数，如果你从源数据里解析出负数，说明数据有问题，导入时直接报错或标记出来反而是好事。
• 价格字段用 DECIMAL(10, 2)。这里有个关键点，汽车销量分析通常用的是“厂商指导价”或“经销商参考价”，价格带有两位小数，用 DECIMAL 是最合适的，不要用 FLOAT 或 DOUBLE，因为浮点数的精度问题到了后面计算平均价时会让你怀疑人生。
• 日期字段用 DATE 类型。如果源数据里有月份但日子不确定，统一存成当月第一天，比如 2024-01-01，月份分析时直接 MONTH() 就行。

我建议必须包含的字段至少是：品牌、车型、月销量、指导价、所属月、所在地区（可选）、数据来源（可选）。其中“数据来源”字段很多人会忽略，但做小组项目时有它非常方便——出数据对不上的问题，你可以用 WHERE source_file='xxx.xlsx' 快速定位是哪一批数据出了问题。

2.2 主键、唯一键和索引怎么设

这一步直接决定了你后面导数据时会不会遇到“重复数据”问题。

先说主键。如果表里没有天然的ID，就用自增主键。但光有自增主键不够，你还要考虑业务唯一性。对于汽车销量数据来说，唯一的组合通常类似“品牌 + 车型 + 月份”。同一款车型在同一个月份只会有一个销量数字，如果出现两条记录，说明源数据里有重复行或者你重复执行了导入脚本。

所以建议在表上建唯一约束：

sql复制ALTER TABLE car_sales
ADD UNIQUE KEY uk_model_month (brand, model, sale_month);

这个唯一约束的好处是，导入时如果遇到重复数据，MySQL 会直接报 Duplicate entry 错误，你就知道源数据里有问题。如果你不建唯一键，重复数据会悄无声息地进去，后面分析出来“这个月销量怎么翻倍了”，排查起来非常痛苦。

索引方面，别每个字段都建索引。你只需要对后面经常 GROUP BY 的字段建索引，比如品牌、月份。字段并不多，保持轻量就好。每个索引在小数据量上没什么感觉，但导入时会影响写入速度，所以不要过度设计。

2.3 建