SQL中的三种去重方法小结

在使用sql提数的时候，常会遇到表内有重复值的时候，比如我们想得到 uv （独立访客），就需要做去重。
在 mysql 中通常是使用 distinct 或 group by子句，但在支持窗口函数的 sql（如hive sql、oracle等等） 中还可以使用 row_number 窗口函数进行去重。

举个栗子，现有这样一张表 task：

task_id	order_id	start_time
1	123	2020-01-05
1	213	2020-01-06
1	321	2020-01-07
2	456	2020-01-06
2	465	2020-01-07
3	798	2020-01-06

备注：

• task_id: 任务id;
• order_id: 订单id;
• start_time: 开始时间

注意：一个任务对应多条订单

我们需要求出任务的总数量，因为 task_id 并非唯一的，所以需要去重：

distinct

-- 列出 task_id 的所有唯一值（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。它不适合用来展示去重后具体的值，一般与 count 配合用来计算条数。

distinct 使用中，放在 select 后边，对后面所有的字段的值统一进行去重。比如distinct后面有两个字段，那么 1,1 和 1,2 这两条记录不是重复值 。

group by

-- 列出 task_id 的所有唯一值（去重后的记录,null也是值）
-- 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

row_number 是窗口函数，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;

此外，再借助一个表 test 来理理 distinct 和 group by 在去重中的使用：

user_id	user_type
1	1
1	2
2	1

-- 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）

到此这篇关于sql中的三种去重方法小结的文章就介绍到这了,更多相关sql 去重内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！