SQL去重

记得很多年前，有个测试妹子找到我：

 

强哥，我这个表数据重复了，怎么把重复的数据删掉呀？

 

类似的需要将数据去重的场景，在实际工作中还是比较常见的。

 

今天我们就来说说，使用SQL语句来去重，有哪些常见的方法。

 

假如我们有一张student表：

 

create table student(
    id int,
    name varchar(50),
    age int,
    address varchar(100)
);

 

表中的数据如下：

 

 

方法一：使用DISTINCT关键字进行去重。

 

DISTINCT关键字，在使用时，后面会跟上去重的字段。可以保证这些去重字段的数据不重复。

 

比如，取出student表中，不重复的address有哪些，可以使用如下SQL语句：

 

select distinct address 
from student;

 

返回结果如下：

 

 

这种方法，最大的优点是使用起来比较简单。

 

但也有一个比较大的缺点，就是去重的字段与最终返回的结果集中的字段，是一致的。也就是说，在上面的SQL语句中，使用address字段进行去重，最终的结果，也只返回address一个字段。

 

如果想以address字段去重，并且同时返回其他字段，DISTINCT是做不到的。

 

方法二：使用GROUP BY关键字进行去重

 

与DISTINCT关键字一样，GROUP BY关键字，也是标准SQL支持的常用的去重方法。它可以在去重的同时，同步返回其他字段的信息。

 

还是以对address字段进行去重为例，其他字段可以使用聚合函数根据需要进行获取：

 

select min(id),
    max(name),
    max(age),
    address
from student 
group by address;

 

返回结果如下：

 

 

在上面的语句中，不仅对address字段进行了去重，也同时返回了id、name、age字段的信息。

 

在这一点上，比DISTINCT要好用很多。

 

不过，仔细一看，好像总是觉得哪里不对劲。

 

id=1的学生，应该叫周俊廷，而在上面的返回结果中却是杨萧语，返回的age字段，也有同样的问题。

 

也就是说，在返回的结果中，同一行的id、name、age，可能并不是同一个学生的，这就导致看起来数据有些混乱。

 

如果对数据的一致性有要求，可以使用下面的第三种方法。

 

方法三：使用窗口函数进行去重。

 

窗口函数有好几种，使用起来大同小异，这里只介绍ROW_NUMBER() over(partition by ... order by ...)。

 

select
    id,name,age,address
from (
    select id,name,age,address,
        row_number() over(
            partition by address 
            order by id asc
        ) as rn
    from student
)a
where a.rn = 1;

 

ROW_NUMBER()窗口函数的含义是，先对数据按照partition by的字段进行分组，然后以order by的字段进行排序，序号从1开始递增。

 

上面的SQL返回的结果为：

 

 

这个返回结果，就完美多了。

 

但是，需要注意的是，有些数据库是不支持窗口函数的。像MySQL数据库中就无法使用。

 

方法四：使用IN去重

 

这种方法的关键在于，找到一组不重复的数据的特征，然后以这个特征来取数据。

 

比如：按address来去重，如果数据有重复，取id最大的那条。

 

select * 
from student
where id in (
    select max(id) 
    from student 
    group by address
);

 

SQL返回结果如下：

 

 

当然，也可以取id最小的那条，将上面语句中的max改成min就可以了。

 

这种方法适合表里有一个数据不重复的字段（上面SQL中的id字段）的情况。

 

如果表中不存在这样一个字段，这种方法就不再适用了。但有些数据库，天生自带了类似的字段可以使用。

 

比如，在ORACLE数据库中，可以使用ROWID替代上面SQL中的id字段。当然仅限于ORACLE数据库：

 

select * 
from student
where rowid in (
    select max(rowid) 
    from student 
    group by address
);

 

方法五：使用NOT EXISTS去重

 

与方法四的思路类似，使用NOT EXISTS也可以实现同样的效果。

 

select *
from student a
where not exists(
    select 1 
    from student b 
    where a.address = b.address 
      and a.id > b.id
);

 

SQL返回结果如下：

 

 

方法六：使用ALL关键字

 

在MySQL数据库中，有一个特殊的操作符ALL，这是一个集合操作符。

 

select *
from student a
where a.id <= ALL(
    select b.id
    from student b
    where a.address = b.address
);

 

SQL返回结果如下：

 

 

在上面的SQL中，ALL操作符的意思是说，a.id字段要<=ALL操作符括号里查询出来的所有值。

 

所以，这种方法的核心思路与方法四是类似的。

 

方法七：使用INNER JOIN + GROUP BY关键字

 

这种方法的核心思路，也与方法四是类似的。

 

select
    a.*
from student a
inner join student b
on a.address = b.address
and a.id >= b.id
group by a.id,a.name,a.age,a.address
having count(*)=1;

 

SQL返回结果如下：

 

 

熟练使用上面7种数据去重的方法，基本上可以解决所有的数据去重问题了。