如何查找多列上的重复行-电子发烧友网

如何查找重复行

第一步是定义什么样的行才是重复行。多数情况下很简单：它们某一列具有相同的值。本文采用这一定义，或许你对“重复”的定义比这复杂，你需要对sql做些修改。本文要用到的数据样本：

createtabletest(idintnotnullprimarykey,daydatenotnull);

insertintotest(id,day)values(1,'2006-10-08');
insertintotest(id,day)values(2,'2006-10-08');
insertintotest(id,day)values(3,'2006-10-09');

select*fromtest;
+----+------------+
|id|day|
+----+------------+
|1|2006-10-08|
|2|2006-10-08|
|3|2006-10-09|
+----+------------+

前面两行在day字段具有相同的值，因此如何我将他们当做重复行，这里有一查询语句可以查找。查询语句使用GROUP BY子句把具有相同字段值的行归为一组，然后计算组的大小。

selectday,count(*)fromtestGROUPBYday;
+------------+----------+
|day|count(*)|
+------------+----------+
|2006-10-08|2|
|2006-10-09|1|
+------------+----------+

重复行的组大小大于1。如何希望只显示重复行，必须使用HAVING子句，比如

selectday,count(*)fromtestgroupbydayHAVINGcount(*)>1;
+------------+----------+
|day|count(*)|
+------------+----------+
|2006-10-08|2|
+------------+----------+

这是基本的技巧：根据具有相同值的字段分组，然后知显示大小大于1的组。

为什么不能使用WHERE子句？因为WHERE子句过滤的是分组之前的行，HAVING子句过滤的是分组之后的行。

如何删除重复行

一个相关的问题是如何删除重复行。一个常见的任务是，重复行只保留一行，其他删除，然后你可以创建适当的索引，防止以后再有重复的行写入数据库。

同样，首先是弄清楚重复行的定义。你要保留的是哪一行呢？第一行，或者某个字段具有最大值的行？本文中，假设要保留的是第一行——id字段具有最小值的行，意味着你要删除其他的行。

也许最简单的方法是通过临时表。尤其对于MYSQL，有些限制是不能在一个查询语句中select的同时update一个表。简单起见，这里只用到了临时表的方法。

我们的任务是：删除所有重复行，除了分组中id字段具有最小值的行。因此，需要找出大小大于1的分组，以及希望保留的行。你可以使用MIN()函数。这里的语句是创建临时表，以及查找需要用DELETE删除的行。

createtemporarytableto_delete(daydatenotnull,min_idintnotnull);

insertintoto_delete(day,min_id)
selectday,MIN(id)fromtestgroupbydayhavingcount(*)>1;

select*fromto_delete;
+------------+--------+
|day|min_id|
+------------+--------+
|2006-10-08|1|
+------------+--------+

有了这些数据，你可以开始删除“脏数据”行了。可以有几种方法，各有优劣，只是说明在支持查询子句的关系数据库中，使用的标准方法。

deletefromtest
whereexists(
select*fromto_delete
whereto_delete.day=test.dayandto_delete.min_id<>test.id
)

如何查找多列上的重复行

有人最近问到这样的问题：我的一个表上有两个字段b和c，分别关联到其他两个表的b和c字段。我想要找出在b字段或者c字段上具有重复值的行。

咋看很难明白，通过对话后我理解了：他想要对b和c分别创建unique索引。如上所述，查找在某一字段上具有重复值的行很简单，只要用group分组，然后计算组的大小。并且查找全部字段重复的行也很简单，只要把所有字段放到group子句。但如果是判断b字段重复或者c字段重复，问题困难得多。这里提问者用到的样本数据

createtablea_b_c(
aintnotnullprimarykeyauto_increment,
bint,
cint
);

insertintoa_b_c(b,c)values(1,1);
insertintoa_b_c(b,c)values(1,2);
insertintoa_b_c(b,c)values(1,3);
insertintoa_b_c(b,c)values(2,1);
insertintoa_b_c(b,c)values(2,2);
insertintoa_b_c(b,c)values(2,3);
insertintoa_b_c(b,c)values(3,1);
insertintoa_b_c(b,c)values(3,2);
insertintoa_b_c(b,c)values(3,3);

现在，你可以轻易看到表里面有一些重复的行，但找不到两行具有相同的二元组{b, c}。这就是为什么问题会变得困难了。

错误的查询语句

如果把两列放在一起分组，你会得到不同的结果，具体看如何分组和计算大小。提问者恰恰是困在了这里。有时候查询语句找到一些重复行却漏了其他的。这是他用到了查询

selectb,c,count(*)froma_b_c
groupbyb,c
havingcount(distinctb>1)
orcount(distinctc>1);

结果返回所有的行，因为CONT(*)总是1.为什么？因为 >1 写在COUNT()里面。这个错误很容易被忽略，事实上等效于

selectb,c,count(*)froma_b_c
groupbyb,c
havingcount(1)
orcount(1);

为什么？因为(b > 1)是一个布尔值，根本不是你想要的结果。你要的是

selectb,c,count(*)froma_b_c
groupbyb,c
havingcount(distinctb)>1
orcount(distinctc)>1;

返回空结果。很显然，因为没有重复的{b,c}。这人试了很多其他的OR和AND的组合，用来分组的是一个字段，计算大小的是另一个字段，像这样

selectb,count(*)froma_b_cgroupbybhavingcount(distinctc)>1;
+------+----------+
|b|count(*)|
+------+----------+
|1|3|
|2|3|
|3|3|
+------+----------+

没有一个能够找出全部的重复行。而且最令人沮丧的是，对于某些情况，这种语句是有效的，如果错误地以为就是这么写法，然而对于另外的情况，很可能得到错误结果。

事实上，单纯用GROUP BY 是不可行的。为什么？因为当你对某一字段使用group by时，就会把另一字段的值分散到不同的分组里。对这些字段排序可以看到这些效果，正如分组做的那样。首先，对b字段排序，看看它是如何分组的

当你对b字段排序（分组），相同值的c被分到不同的组，因此不能用COUNT(DISTINCT c)来计算大小。COUNT()之类的内部函数只作用于同一个分组，对于不同分组的行就无能为力了。类似，如果排序的是c字段，相同值的b也会分到不同的组，无论如何是不能达到我们的目的的。

几种正确的方法

也许最简单的方法是分别对某个字段查找重复行，然后用UNION拼在一起，像这样：

selectbasvalue,count(*)ascnt,'b'aswhat_col
froma_b_cgroupbybhavingcount(*)>1
union
selectcasvalue,count(*)ascnt,'c'aswhat_col
froma_b_cgroupbychavingcount(*)>1;
+-------+-----+----------+
|value|cnt|what_col|
+-------+-----+----------+
|1|3|b|
|2|3|b|
|3|3|b|
|1|3|c|
|2|3|c|
|3|3|c|
+-------+-----+----------+

输出what_col字段为了提示重复的是哪个字段。另一个办法是使用嵌套查询：

selecta,b,cfroma_b_c
wherebin(selectbfroma_b_cgroupbybhavingcount(*)>1)
orcin(selectcfroma_b_cgroupbychavingcount(*)>1);
+----+------+------+
|a|b|c|
+----+------+------+
|7|1|1|
|8|1|2|
|9|1|3|
|10|2|1|
|11|2|2|
|12|2|3|
|13|3|1|
|14|3|2|
|15|3|3|
+----+------+------+

这种方法的效率要比使用UNION低许多，并且显示每一重复的行，而不是重复的字段值。还有一种方法，将自己跟group的嵌套查询结果联表查询。写法比较复杂，但对于复杂的数据或者对效率有较高要求的情况，是很有必要的。

selecta,a_b_c.b,a_b_c.c
froma_b_c
leftouterjoin(
selectbfroma_b_cgroupbybhavingcount(*)>1
)asbona_b_c.b=b.b
leftouterjoin(
selectcfroma_b_cgroupbychavingcount(*)>1
)ascona_b_c.c=c.c
whereb.bisnotnullorc.cisnotnull