SQL去重的三种方法汇总

SQL去重的三种方法汇总

引用

CSDN

1.

https://blog.csdn.net/u012955829/article/details/139457418

在使用SQL进行数据查询时，经常会遇到需要去除重复值的情况，比如计算独立访客（UV）时就需要对数据进行去重处理。在MySQL中，通常使用distinct或group by子句来实现去重，而在支持窗口函数的SQL（如Hive SQL、Oracle等）中，还可以使用row_number窗口函数进行去重。本文将详细介绍这三种去重方法。

假设有一张名为task的表，结构如下：

其中：

• task_id：任务ID
• order_id：订单ID
• start_time：开始时间

注意：一个任务可能对应多条订单记录。我们需要求出任务的总数量，但由于task_id并非唯一，因此需要进行去重处理。

distinct方法

-- 列出所有唯一的task_id值（去重后的记录）
-- select distinct task_id
-- from Task;
-- 任务总数
select count(distinct task_id) task_num
from Task;

distinct通常效率较低，不适合用来展示去重后的具体值，一般与count配合使用来计算条数。使用时，distinct放在select后，对后面所有字段的值进行统一去重。例如，如果distinct后面有两个字段，那么1,1和1,2这两条记录不会被视为重复值。

group by方法

-- 列出所有唯一的task_id值（去重后的记录，包括null值）
-- select task_id
-- from Task
-- group by task_id;
-- 任务总数
select count(task_id) task_num
from (select task_id
      from Task
      group by task_id) tmp;

row_number窗口函数方法

row_number是窗口函数，其语法如下：
row_number() over (partition by <用于分组的字段名> order by <用于组内排序的字段名>)
其中partition by部分可以省略。

-- 在支持窗口函数的SQL中使用
select count(case when rn=1 then task_id else null end) task_num
from (select task_id
       , row_number() over (partition by task_id order by start_time) rn
   from Task) tmp;

为了更好地理解distinct和group by在去重中的使用，我们再借助一张名为test的表进行说明：

-- 下方的分号;用来分隔行
select distinct user_id
from Test;    -- 返回 1; 2
select distinct user_id, user_type
from Test;    -- 返回1, 1; 1, 2; 2, 1
select user_id
from Test
group by user_id;    -- 返回1;  2
select user_id, user_type
from Test
group by user_id, user_type;    -- 返回1, 1; 1, 2; 2, 1
select user_id, user_type
from Test
group by user_id;  
-- Hive、Oracle等会报错，mysql可以这样写。
-- 返回1, 1 或 1, 2 ; 2, 1（共两行）。只会对group by后面的字段去重，就是说最后返回的记录数等于上一段sql的记录数，即2条
-- 没有放在group by 后面但是在select中放了的字段，只会返回一条记录（好像通常是第一条，应该是没有规律的）

通过这些示例，我们可以清晰地看到distinct和group by在去重时的具体行为和差异。