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

    • 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
      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。
      • 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() OVERGROUP 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_tableWHERE  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_tableGROUP 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 BY
      tab_1100000N3
      tab_2100000Y3
      tab_3100000N10000
      tab_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 BY
      tab_1100000N30.058s0.059s
      tab_2100000Y30.030s0.027s
      tab_3100000N100000.072s0.073s
      tab_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】