SQL去重的三种方法汇总​

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：

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：

   

    

     

      

     
     

      

       -- 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）