去除重复数据

有两个意义上的重复记录，一是完全重复的记录，也即所有字段均都重复，二是部分字段重复的记录。对于第一种重复，比较容易解决，只需在查询语句中使用distinct关键字去重，几乎所有数据库系统都支持distinct操作。发生这种重复的原因主要是表设计不周，通过给表增加主键或唯一索引列即可避免。

select distinct * from t;

 

对于第二类重复问题，通常要求查询出重复记录中的任一条记录。假设表t有id,name,address三个字段，id是主键，有重复的字段为name,address，要求得到这两个字段唯一的结果集。

-- Oracle、MySQL，使用相关子查询

select * from t t1

 where t1.id =

 (select min(t2.id)

    from t t2

   where t1.name = t2.name and t1.address = t2.address);

 

-- Hive只支持在FROM子句中使用子查询，子查询必须有名字，并且列必须唯一

select t1.*

  from t t1,

      (select name, address, min(id) id from t group by name, address) t2

 where t1.id = t2.id;

 

-- 还可以使用Hive的row_number()分析函数

select t.id, t.name, t.address

  from (select id, name, address,

row_number() over (distribute by name, address sort by id) as rn 

         from t) t 

 where t.rn=1;