postgresql数据库去重方法

数据库去重有很多方法，下面列出目前理解与使用的方法

 

第一种

通过group by分组，然后将分组后的数据写入临时表然后再写入另外的表,对于没有出现再group by后面的field可以用函数max,min提取，效率较高
--适合情况：这种情况适合重复率非常高的情况，一般来说重复率超过5成则可以考虑用这个方法
--优点：对于重复率高的数据集的去重，十分推荐用这种方法
--缺点：uuid不能用max或min提取，如果需要去重的数据集中包含uuid则十分尴尬

create temp table tmp_data1 as
select [field1],[field2]...,max(field_special),min(field_special) from group by [field1],[field2]...;

insert into [table] select * from tmp_data1;

 

第二种

通过union去除完全重复的行，效率较高
--适合情况：这种方法只适合去除完全重复的行

select * from table1
union
select * from table1;

 

 

 

第三种

通过group by加id加not in，即先用group by分组，然后取出该分组下最大或最小的id组成集合，然后配合not in过滤掉重复的数据，效率很低，可以尝试配合临时表（测试发现依旧很慢）

--适合情况：由于该种方法效率很低，所以不推荐使用，如果数据量不大的情况下可以用这种方法，数据量只要上了100万就会很慢很慢

delete from [table] where id not in (select max(id) from table1 group by [field1],[field2]...);

 

第四种

通过group by加having加in，即先用group by分组，然后用having count(*)>1取出分组数量大于1的行（即重复的行），然后用in删除重复行，效率较高
--适合情况：一条数据大概只有一到两三条重复，这种方法一次只能删除重复数据的一条，如果有些数据有几百次重复那就会累死，其实也可以使用函数做一个循环，但这样的效率就不高了

delete from [table] where id in (select max(id) from [table] group by [field1],[field2]... having count(*)>1);

 

 

第五种

使用窗口函数加id，即可以使用窗口函数将数据分组，并将每个分组按行排号，并将行号与id（唯一id）存入一个集合里，这样就可以根据这个集合来取处重复行的id，即通过行号>1，
-- 然后根据id删除重复行，效率很高（100万数据，重复9万，时间: 14.596s）
--适合情况：该种方法效率很高，特别推荐使用，但需要了解窗口函数以及其中的一些关键词的意义

--row_number() 为返回的记录定义个行编号
--over 与row_number()函数配套使用
--partition by [field1],[field2]... 根据指定的字段分组

delete from [table] where id in (select id from (select row_number() over (partition by [field1],[field2]...), id from [table]) as t where t.row_number>1);

 

第六种，对于不同的情况，不同的数据量级，可以配合使用以上五种方法，灵活使用。