Какое количество строк вернет CROSS JOIN для таблиц с 100 и 10 записями

Что проверяют

Понимаете ли вы, что CROSS JOIN это декартово произведение, и умеете ли прикинуть размер результата до запуска. Для data-специальности следом спрашивают, где такое соединение полезно и как оно случайно появляется в запросе.

Как отвечать

Ответ: 1000 строк. Каждая из 100 строк первой таблицы соединяется с каждой из 10 строк второй, условия нет, поэтому результат равен произведению 100 × 10. Дубли и NULL на это не влияют, а если одна из таблиц пуста, результат пустой.

Дальше покажите, что понимаете последствия:

• рост мультипликативный: три таблицы по миллиону строк дадут 10¹⁸ строк. Это произведение, а не экспонента, но уже две большие таблицы легко выходят за память и диск;
• где полезно: сетка «все даты × все товары», к которой потом делают LEFT JOIN фактов, чтобы дни без продаж стали нулями, а не пропали. Так же строят комбинации гиперпараметров. В pandas это df1.merge(df2, how="cross"), в PySpark df1.crossJoin(df2);
• как появляется случайно: таблицы через запятую без WHERE, условие ON 1 = 1, опечатка в условии, которая всегда истинна. Похожий эффект даёт соединение по неуникальному ключу: по 1000 строк с одним значением ключа с каждой стороны дадут миллион;
• связь с другими соединениями: CROSS JOIN с фильтром в WHERE по смыслу обычный внутренний, и планировщик часто так его и выполняет.

Размер проверяют заранее через COUNT(*) по каждой стороне и по ключам соединения, а в Spark смотрят план через explain(): там видно CartesianProduct или BroadcastNestedLoopJoin.

Где спотыкаются

Отвечают 110, складывая количества, или 100, путая с LEFT JOIN.

Говорят, что число строк растёт экспоненциально. Для двух таблиц это произведение, и на собеседовании по данным путать термины не стоит.

Не узнают декартово произведение в обычном JOIN по неуникальному ключу и потом ищут, откуда в витрине дубли и завышенные суммы.