BigQuery COUNT（DISTINCT值）vs COUNT（值）

Question

我在bigquery中发现了一个小故障/错误。 我们得到了一张基于银行统计数据的表格 starschema.net:clouddb:bank.Banks_token

如果我运行以下查询：

SELECT count(*) as totalrow,
count(DISTINCT BankId ) as bankidcnt
FROM bank.Banks_token;

我得到以下结果：

Row totalrow    bankidcnt    
1   9513    9903    

我的问题是，如果我有9513row，我怎么能得到9903row，这比表中的rowcount多390个。

Answer 1

在BigQuery中，COUNT DISTINCT是所有大于1000的结果的统计近似值。

您可以提供可选的第二个参数，以给出使用近似值的阈值。因此，如果在示例中使用COUNT（DISTINCT BankId，10000），则应该看到确切的结果（因为实际的行数小于10000）。但请注意，在性能方面使用较大的阈值可能会很昂贵。

请参阅此处的完整文档： https://developers.google.com/bigquery/docs/query-reference#aggfunctions

---

2017年更新：

使用BigQuery #standardSQL COUNT(DISTINCT)总是准确的。对于近似结果，请使用APPROX_COUNT_DISTINCT()。为什么有人会使用大约结果？ See this article

Answer 2

我使用EXACT_COUNT_DISTINCT（）作为获取确切唯一计数的方法。它比COUNT（DISTINCT值，n＆gt; numRows）更清晰，更通用

在此处找到：linked question