大数据培训：SQL 如何去重的方法

​

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。大数据培训比如 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_idfrom Test; -- 返回 1; 2select distinct user_id, user_typefrom Test; -- 返回 1, 1; 1, 2; 2, 1select user_idfrom Testgroup by user_id;

-- 返回 1; 2select user_id, user_typefrom Testgroup by user_id, user_type;

-- 返回 1, 1; 1, 2; 2, 1select user_id, user_typefrom Testgroup 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）

文章来源于大数据学习与分享

​