0


SQL:数据去重的三种方法

数据去重的三种方法

1、使用distinct去重

distinct用来查询不重复记录的条数,用

count(distinct id)

来返回不重复字段的条数。用法注意:

  • distinct【查询字段】,必须放在要查询字段的开头,即放在第一个参数;
  • 只能在SELECT 语句中使用,不能在 INSERT, DELETE, UPDATE 中使用;
  • DISTINCT 表示对后面的所有参数的拼接取不重复的记录,即查出的参数拼接每行记录都是唯一的
  • 不能与all同时使用,默认情况下,查询时返回的就是所有的结果。

distinct支持单列、多列的去重方式。

  • 作用于单列- 单列去重的方式简明易懂,即相同值只保留1个。 select distinct name from A //对A表的name去重然后显示
  • 作用于多列- 多列的去重则是根据指定的去重的列信息来进行,即只有所有指定的列信息都相同,才会被认为是重复的信息。- 注意,distinct作用于多列的时候只在开头加上即可,并不用每个字段都加上。distinct必须在开头,在中间是不可以的,会报错,`select id,distinct name from A //错误 select distinct id,name from A //对A表的id和name去重然后显示
  • 配合count使用select count(distinct name) from A //对A表的不同的name进行计数
  • 按顺序去重时,order by 的列必须出现在 distinct 中- 出错代码在这里插入图片描述- 改正后的代码在这里插入图片描述- 讨论:若不使用Distinct关键字,则order by后面的字段不一定要放在seletc中在这里插入图片描述

MySQL中使用去重distinct方法的示例详解
【Hive】数据去重


2、使用group by

GROUP BY 语句根据一个或多个列对结果集进行分组。在分组的列上我们可以使用 COUNT, SUM, AVG,等函数,形式为

select 重复的字段名 from 表名 group by 重复的字段名;
  • group by 对age查询结果进行了分组,自动将重复的项归结为一组。在这里插入图片描述
  • 还可以使用count函数,统计重复的数据有多少个在这里插入图片描述

3、使用ROW_NUMBER() OVER 或 GROUP BY 和 COLLECT_SET/COLLECT_LIST

说到要去重,自然会想到 DISTINCT,但是在 Hive SQL 里,它有两个问题:

  • DISTINCT 会以 SELECT 出的全部列作为 key 进行去重。也就是说,只要有一列的数据不同,DISTINCT 就认为是不同数据而保留。
  • DISTINCT 会将全部数据打到一个 reducer 上执行,造成严重的数据倾斜,耗时巨大。

2.1 ROW_NUMBER() OVER

DISTINCT 的两个问题,用 ROW_NUMBER() OVER 可解。比如,如果我们要按 key1 和 key2 两列为 key 去重,就会写出这样的代码:

WITH temp_table AS (
  SELECT
    key1,
    key2,
    [columns]...,
    ROW_NUMBER() OVER (
      PARTITION BY key1, key2
      ORDER BY column ASC
    ) AS rn
  FROM
    table
)

SELECT
  key1,
  key2,
  [columns]...
FROM
  temp_table
WHERE
  rn = 1;

这样,

Hive 会按 key1 和 key2 为 key,将数据打到不同的 mapper 上,然后对 key1 和 key2 都相同的一组数据,按 column 升序排列,并最终在每组中保留排列后的第一条数据。借此就完成了按 key1 和 key2 两列为 key 的去重任务

。注意 PARTITION BY 在此起到的作用:

  • 一是按 key1 和 key2 打散数据,解决上述问题 (2);
  • 二是与 ORDER BY 和 rn = 1 的条件结合,按 key1 和 key2 对数据进行分组去重,解决上述问题 (1)。

但显然,这样做十分不优雅(not-elegant),并且不难想见其效率比较低。

row_number() OVER (PARTITION BY

COL1

ORDER BY

COL2

) as num 表示根据

COL1

分组,在分组内部根据

COL2

排序,此函数计算的值num就表示每组内部排序后的顺序编号(组内连续的唯一的)

2.2 GROUP BY 和 COLLECT_SET/COLLECT_LIST

ROW_NUMBER() OVER 解法的一个核心是利用 PARTITION BY 对数据按 key 分组,同样的功能用 GROUP BY 也可以实现。但是,GROUP BY 需要与聚合函数搭配使用。我们需要考虑,什么样的聚合函数能实现或者间接实现这样的功能呢?不难想到有 COLLECT_SET 和 COLLECT_LIST。

SELECT
  key1,
  key2,
  [COLLECT_LIST(column)[1] AS column]...
FROM
  temp_table
GROUP BY
  key1, key2
对于 key1 和 key2 以外的列,我们用 COLLECT_LIST 将他们收集起来,然后输出第一个收集进来的结果

。这里使用 COLLECT_LIST 而非 COLLECT_SET 的原因在于 SET 内是无序的,因此你无法保证输出的 columns 都来自同一条数据。若对于此没有要求或限制,则可以使用 COLLECT_SET,它会更节省资源。

相比前一种办法,由于省略了排序和(可能的)落盘动作,所以效率会高不少。但是因为(可能)不落盘,所以 COLLECT_LIST 中的数据都会缓存在内存当中。如果重复数量特别大,这种方法可能会触发 OOM。此时应考虑将数据进一步打散,然后再合并;或者干脆换用前一种办法。

distinct与group by的去重方面的区别

distinct简单来说就是用来去重的,而group by的设计目的则是用来聚合统计的,两者在能够实现的功能上有些相同之处,但应该仔细区分。

单纯的去重操作使用distinct,速度是快于group by的。

distinct支持单列、多列的去重方式。
单列去重的方式简明易懂,即相同值只保留1个。
多列的去重则是根据指定的去重的列信息来进行,即只有所有指定的列信息都相同,才会被认为是重复的信息。

group by使用的频率相对较高,但正如其功能一样,它的目的是用来进行聚合统计的,虽然也可能实现去重的功能,但这并不是它的长项。

区别:

1)distinct只是将重复的行从结果中出去;

group by是按指定的列分组,一般这时在select中会用到聚合函数。

2)distinct是把不同的记录显示出来。

group by是在查询时先把纪录按照类别分出来再查询。

group by 必须在查询结果中包含一个聚集函数,而distinct不用。

distinct和group by有啥区别,大概总结以下几点:

distinct适合查单个字段去重,支持单列、多列的去重方式。 单列去重的方式简明易懂,即相同值只保留1个。
多列的去重则是根据指定的去重的列信息来进行,即只有所有指定的列信息都相同,才会被认为是重复的信息。

而 group by 可以针对要查询的全部字段中的部分字段去重,它的作用主要是:获取数据表中以分组字段为依据的其他统计数据。

补充:MySQL中distinct和group by去重性能对比

前言

  • MySQL:5.7.17
  • 存储引擎:InnoDB
  • 实验目的:本文主要测试在某字段有无索引、各种不同值个数情况下,记录对此字段其使用DISTINCT/GROUP BY去重的查询语句执行时间,对比两者在不同场景下的去重性能,实验过程中关闭MySQL查询缓存。
  • 实验表格:
    表名记录数查询字段有无索引查询字段不同值个数DISTINCTGROUP BYtab_1100000N3tab_2100000Y3tab_3100000N10000tab_4100000Y10000
    实验过程

1)创建测试表

表创建语句:

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

DROP
TABLE
IF EXISTS `tab_1`;
CREATE
TABLE
`tab_1` (
  
`id` 
int
(10) unsigned 
NOT
NULL
AUTO_INCREMENT,
  
`value` 
int
(10) unsigned 
NOT
NULL
,
  
PRIMARY
KEY
(`id`)
) ENGINE=InnoDB 
DEFAULT
CHARSET=utf8;
DROP
TABLE
IF EXISTS `tab_2`;
CREATE
TABLE
`tab_2` (
  
`id` 
int
(10) unsigned 
NOT
NULL
AUTO_INCREMENT,
  
`value` 
int
(10) unsigned 
NOT
NULL
,
  
PRIMARY
KEY
(`id`),
  
KEY
`idx_value` (`value`)
) ENGINE=InnoDB 
DEFAULT
CHARSET=utf8;
DROP
TABLE
IF EXISTS `tab_3`;
CREATE
TABLE
`tab_3` 
LIKE
`tab_1`;
DROP
TABLE
IF EXISTS `tab_4`;
CREATE
TABLE
`tab_4` 
LIKE
`tab_2`;

2)生成测试数据

表数据插入过程:

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

DROP
PROCEDURE
IF EXISTS generateRandomData;
delimiter $$
-- tblName为插入表,field为插入字段,num为插入字段值上限,count为插入的记录数
CREATE
PROCEDURE
generateRandomData(
IN
tblName 
VARCHAR
(30),
IN
field 
VARCHAR
(30),
IN
num 
INT
UNSIGNED,
IN
count
INT
UNSIGNED)
BEGIN
    
-- 声明循环变量
    
DECLARE
i 
INT
UNSIGNED 
DEFAULT
1;
    
-- 循环插入随机整数1~num,共插入count条数据
    
w1:WHILE i<=
count
DO
        
set
i=i+1;
        
set
@val = FLOOR(RAND()*num+1);
        
set
@statement = CONCAT(
'INSERT INTO '
,tblName,
'(`'
,field,
'`) VALUES('
,@val,
')'
);
        
PREPARE
stmt 
FROM
@statement;
        
EXECUTE
stmt;
    
END
WHILE w1;
END
$$
delimiter ;

调用过程随机生成测试数据:

1

2

3

4

5

call generateRandomData(
'tab_1'
,
'value'
,3,100000);
INSERT
INTO
tab_2 
SELECT
* 
FROM
tab_1;
call generateRandomData(
'tab_3'
,
'value'
,10000,100000);
INSERT
INTO
tab_4 
SELECT
* 
FROM
tab_3;

3)执行查询语句,记录执行时间

查询语句及对应执行时间如下:

1

2

3

4

5

6

7

8

9

10

11

SELECT
DISTINCT
(`value`) 
FROM
tab_1;
SELECT
`value` 
FROM
tab_1 
GROUP
BY
`value`;
SELECT
DISTINCT
(`value`) 
FROM
tab_2;
SELECT
`value` 
FROM
tab_2 
GROUP
BY
`value`;
SELECT
DISTINCT
(`value`) 
FROM
tab_3;
SELECT
`value` 
FROM
tab_3 
GROUP
BY
`value`;
SELECT
DISTINCT
(`value`) 
FROM
tab_4;
SELECT
`value` 
FROM
tab_4 
GROUP
BY
`value`;

4)实验结果
表名记录数查询字段有无索引查询字段不同值个数DISTINCTGROUP BYtab_1100000N30.058s0.059stab_2100000Y30.030s0.027stab_3100000N100000.072s0.073stab_4100000Y100000.047s0.049s
实验结论

MySQL 5.7.17中使用distinct和group by进行去重时,性能相差不大

使用去重distinct方法的示例详解

一 distinct

含义:distinct用来查询不重复记录的条数,即distinct来返回不重复字段的条数(count(distinct id)),其原因是distinct只能返回他的目标字段,而无法返回其他字段

用法注意:

1.distinct【查询字段】,必须放在要查询字段的开头,即放在第一个参数;
2.只能在SELECT 语句中使用,不能在 INSERT, DELETE, UPDATE 中使用;
3.DISTINCT 表示对后面的所有参数的拼接取 不重复的记录,即查出的参数拼接每行记录都是唯一的
4.不能与all同时使用,默认情况下,查询时返回的就是所有的结果。

1.1只对一个字段查重

对一个字段查重,表示选取该字段一列不重复的数据。

示例表:psur_list

PLAN_NUMBER字段去重,语句:

1

SELECT
DISTINCT
PLAN_NUMBER 
FROM
psur_list;

结果如下:

1.2多个字段去重

对多个字段去重,表示选取多个字段拼接的一条记录,不重复的所有记录

示例表:psur_list

PLAN_NUMBER和PRODUCT_NAME字段去重,语句:

1

SELECT
DISTINCT
PLAN_NUMBER,PRODUCT_NAME 
FROM
psur_list;

结果如下:

期望结果:只对第一个参数PLAN_NUMBER取唯一值

解决办法一:使用group_concat 函数

语句:

1

SELECT
GROUP_CONCAT(
DISTINCT
PLAN_NUMBER) 
AS
PLAN_NUMBER,PRODUCT_NAMEFROM psur_list 
GROUP
BY
PLAN_NUMBER

解决办法二:使用group by

语句:

1

SELECT
PLAN_NUMBER,PRODUCT_NAME 
FROM
psur_list 
GROUP
BY
PLAN_NUMBER

结果如下:

1.3针对null处理

distinct不会过滤掉null值,返回结果包含null值

表psur_list如下:

对COUNTRY字段去重,语句:

1

SELECT
DISTINCT
COUNTRY 
FROM
psur_list

结果如下:

1.4与distinctrow同义

语句:

1

SELECT
DISTINCTROW COUNTRY 
FROM
psur_list

结果如下:

二 聚合函数中使用distinct

在聚合函数中DISTINCT 一般跟 COUNT 结合使用。count()会过滤掉null项

语句:

1

SELECT
COUNT
(
DISTINCT
COUNTRY) 
FROM
psur_list

结果如下:【实际包含null项有4个记录,执行语句后过滤null项,计算为3】

标签: sql 数据库

本文转载自: https://blog.csdn.net/eagle89/article/details/128511502
版权归原作者 jerry-89 所有, 如有侵权,请联系我们删除。

“SQL:数据去重的三种方法”的评论:

还没有评论