PostgreSQL 如何查找并删除重复数据

Posted 2023-01-02 不剪发的Tony老师

文章目录

• • 创建示例表
  • 使用聚合函数查找重复记录
  • • 基于单个字段的重复记录
    • 基于多个字段的重复记录
  • 使用窗口函数查找重复记录
  • • 基于单个字段的重复记录
    • 基于多个字段的重复记录
  • 删除重复记录
  • • 使用子查询删除重复记录
    • 使用窗口函数删除重复记录
  • 总结

我们已经介绍了 MySQL 和 Oracle 中如何删除重复数据，本文给大家介绍一下在 PostgreSQL 中怎么实现相同的功能。

创建示例表

我们首先创建一个示例表 people 并生成一些数据：

-- DROP TABLE IF EXISTS people;
CREATE TABLE people (
    id integer GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
    name varchar(50) NOT NULL,
    email varchar(100) NOT NULL
);

INSERT INTO people(name, email)
VALUES ('张三', '[e-mail]'),
       ('李四', '[e-mail]'),
       ('王五', '[e-mail]'),
       ('李斯', '[e-mail]'),
       ('王五', '[e-mail]'),
       ('王五', '[e-mail]');

SELECT * FROM people;
id|name|email             |
--|-----|-----------------|
 1|张三  |[e-mail]|
 2|李四  |[e-mail]    |
 3|王五  |[e-mail]  |
 4|李斯  |[e-mail]    |
 5|王五  |[e-mail]  |
 6|王五  |[e-mail]  |

其中，2 和 4 的 email 字段存在重复数据；3、5 和 6 的 name 和 email 字段存在重复数据。

此时，如果我们想要为 email 字段创建一个唯一约束，将会返回错误：

ALTER TABLE people ADD CONSTRAINT uk_people_email UNIQUE (email);
SQL 错误 [23505]: ERROR: could not create unique index "uk_people_email"
  详细：Key (email)=([e-mail]) is duplicated.

我们必须找出并删除 email 字段中的重复记录才能创建唯一约束。

使用聚合函数查找重复记录

基于单个字段的重复记录

如果想要找出 email 重复的数据，可以基于该字段进行分组统计，并且返回行数大于 1 的分组：

SELECT email, count(email)
FROM people
GROUP BY email
HAVING count(email) > 1;
email          |count|
---------------+-----+
[e-mail]|    3|
[e-mail]  |    2|

查询结果显示有两个邮箱地址存在重复情况。如果想要查看完整的重复数据，可以使用子查询或者连接查询：

SELECT *
FROM people
WHERE email IN (
      SELECT email
      FROM people
      GROUP BY email
      HAVING count(email) > 1)
ORDER BY email;
id|name|email           |
--+----+----------------+
 2|李四  |[e-mail]  |
 4|李斯  |[e-mail]  |
 3|王五  |[e-mail]|
 5|王五  |[e-mail]|
 6|王五  |[e-mail]|

WITH d AS (
  SELECT email
  FROM people
  GROUP BY email
  HAVING count(email) > 1)
SELECT p.*
FROM people p
JOIN d ON (d.email = p.email)
ORDER BY p.email;
id|name|email           |
--+----+----------------+
 2|李四  |[e-mail]  |
 4|李斯  |[e-mail]  |
 3|王五  |[e-mail]|
 5|王五  |[e-mail]|
 6|王五  |[e-mail]|

另一种查找重复记录的方法就是直接使用自连接查询和 distinct 操作符，例如：

SELECT DISTINCT p.*
FROM people p
JOIN people d ON p.email = d.email
WHERE p.id <> d.id
ORDER BY p.email;
id|name|email           |
--+----+----------------+
 2|李四  |[e-mail]  |
 4|李斯  |[e-mail]  |
 3|王五  |[e-mail]|
 5|王五  |[e-mail]|
 6|王五  |[e-mail]|

注意不能省略 distinct，否则会某些数据（3、5、6）会返回多次。

基于多个字段的重复记录

如果我们想要找出 name 和 email 两个字段都重复的数据，可以基于这两个字段进行分组统计：

SELECT *
FROM people
WHERE (name, email) IN (
      SELECT name, email
      FROM people
      GROUP BY name, email
      HAVING count(1) > 1)
ORDER BY email;
id|name|email           |
--+----+----------------+
 3|王五  |[e-mail]|
 5|王五  |[e-mail]|
 6|王五  |[e-mail]|

WITH d AS (
  SELECT name, email
  FROM people
  GROUP BY name, email
  HAVING count(*) > 1)
SELECT p.*
FROM people p
JOIN d ON (d.name = p.name AND d.email = p.email)
ORDER BY p.email;
id|name|email          |
--+----+---------------+
 3|王五  |[e-mail]|
 5|王五  |[e-mail]|
 6|王五  |[e-mail]|

只有当 name 和 email 都相同时才是重复数据，所以 2 和 4 不是重复记录。

使用窗口函数查找重复记录

使用聚合函数查找重复记录需要扫描同一个表两次，如果表中的数据量很大时，可能存在性能问题。为此，我们可以采用另一种方法：窗口函数。

基于单个字段的重复记录

首先，我们通过 count() 窗口函数找出每个 email 出现的次数：

SELECT id, name, email, count(*) over (partition by email) cnt
FROM people;
id|name|email             |cnt|
--+----+------------------+---+
 2|李四  |[e-mail]    |  2|
 4|李斯  |[e-mail]    |  2|
 3|王五  |[e-mail]  |  3|
 5|王五  |[e-mail]  |  3|
 6|王五  |[e-mail]  |  3|
 1|张三  |[e-mail]|  1|

窗口函数不仅可以找出字段的重复次数，同时还可以保留原表中的数据，避免了二次扫描的操作。接下来我们只需要返回次数大于 1 的记录即可：

WITH d AS (
  SELECT id, name, email, 
         count(*) over (partition by email) cnt
  FROM people)
SELECT *
FROM d
WHERE cnt > 1
ORDER BY id;
id|name|email           |cnt|
--+----+----------------+---+
 2|李四  |[e-mail]  |  2|
 3|王五  |[e-mail]|  3|
 4|李斯  |[e-mail]  |  2|
 5|王五  |[e-mail]|  3|
 6|王五  |[e-mail]|  3|

基于多个字段的重复记录

窗口函数同样支持基于多个字段的分区操作，以下语句可以用于找出 name 和 email 两个字段都重复的数据：

WITH d AS (
  SELECT id, name, email, 
         count(*) over (partition by name, email) cnt
  FROM people)
SELECT *
FROM d
WHERE cnt > 1
ORDER BY id;
id|name|email           |cnt|
--+----+----------------+---+
 3|王五  |[e-mail]|  3|
 5|王五  |[e-mail]|  3|
 6|王五  |[e-mail]|  3|

显然，窗口函数不但拥有更好的性能，也具有更好的可读性。

删除重复记录

记下来需要解决的问题就是如何删除这些重复记录，通常我们需要保留其中的一条记录。

使用子查询删除重复记录

假如我们想要删除 email 字段重复的记录，只保留其中 id 最小的一条；可以使用子查询找出需要保留的数据，然后删除其他的数据：

DELETE 
FROM people
WHERE id NOT IN (
      SELECT min(id)
      FROM people
      GROUP BY email
     );

删除之后再次查询 people 表：

SELECT * FROM people;
id|name|email             |
--+----+------------------+
 1|张三  |[e-mail]|
 2|李四  |[e-mail]    |
 3|王五  |[e-mail]  |

也可以使用跨表删除或者关联子查询删除重复的数据：

DELETE
FROM people p
USING people d 
WHERE p.email = d.email AND p.id < d.id;

DELETE 
FROM people p
WHERE p.id NOT IN (
      SELECT min(id)
      FROM people
      WHERE email = p.email
     );

在执行上面的语句之前，记得重新创建 people 表并生成测试数据。

💡想一想，如果想要保留重复数据中 id 最大的数据应该怎么实现呢？

使用窗口函数删除重复记录

ROW_NUMBER() 窗口函数可以用于将数据进行分组，然后为每一条数据分配一个唯一的数字编号。例如：

SELECT id, name, email, 
       row_number() over (PARTITION BY email ORDER BY id) AS row_num 
FROM people;
ID|NAME|EMAIL             |ROW_NUM|
--|----|------------------|-------|
 2|李四  |[e-mail]    |      1|
 4|李斯  |[e-mail]    |      2|
 3|王五  |[e-mail]  |      1|
 5|王五  |[e-mail]  |      2|
 6|王五  |[e-mail]  |      3|
 1|张三  |[e-mail]|      1|

以上语句基于 email 分组（PARTITION BY email），同时按照 id 进行排序（ORDER BY id），然后为每个组内的数据分配一个编号；如果编号大于 1 就意味着存在重复的数据。

📝除了 ROW_NUMBER() 之外，RANK() 或者 DENSE_RANK() 函数也可以实现以上功能。关于窗口函数的介绍和使用案例，可以参考这篇文章。

我们可以基于该查询结果删除重复的记录：

DELETE 
FROM people
WHERE id IN (
  SELECT id
  FROM (
      SELECT id, name, email, 
             row_number() over (PARTITION BY email ORDER BY id DESC) AS row_num 
      FROM people) d
  WHERE row_num > 1);

在执行上面的语句之前，记得重新创建 people 表并生成测试数据。

基于多个字段的重复数据删除方法和单个字段类似，大家可以自行尝试。最后，为了防止再次产生重复数据，可以增加一个唯一约束。例如：

ALTER TABLE people ADD CONSTRAINT uk_people_email UNIQUE (email);

总结

本文介绍了如何在 PostgreSQL 中查找并删除重复记录，包括使用聚合函数加上子查询或者连接查询、使用窗口函数等方法查找单个字段或者多个字段中的重复数据，以及使用子查询和窗口函数等方法实现重复数据的删除。

如果觉得文章对你有用，欢迎关注❤️、评论📝、点赞👍！