Question

我尝试了两个查询，一个查询带有distinct，一个查询没有distinct，并且得到了两个不同的结果。可能是什么原因？没有DISTINCT的答案似乎是正确的答案，但是为什么结果不同？

另一个令人困惑的部分是，如果我将子查询另存为两个中间表并执行count(distinct)，则可以获得相同的结果。与前两个查询中没有DISTINCT的查询相同。

这是我的两个查询

SELECT 
    tmp.year, 
    COUNT(DISTINCT(tmp.encounter_id)) AS Nencounter,
    COUNT(DISTINCT(tmp.patient_sk)) AS Npatient
FROM 
    (SELECT DISTINCT 
         fe.encounter_id, dd.year, dp.patient_sk
     FROM
         cerner_db.f_encounter fe
     JOIN
         cerner_db.d_date dd ON fe.admitted_dt_id = dd.date_id
     JOIN
         cerner_db.d_patient dp ON dp.patient_id = fe.patient_id) tmp
GROUP BY 
    year
ORDER BY 
    year;

第二个

SELECT 
    tmp.year, 
    COUNT(DISTINCT(tmp.encounter_id)) AS Nencounter,
    COUNT(DISTINCT(tmp.patient_sk)) AS Npatient
FROM 
    (SELECT
         fe.encounter_id, dd.year, dp.patient_sk
     FROM
         cerner_db.f_encounter fe
     JOIN
         cerner_db.d_date dd ON fe.admitted_dt_id = dd.date_id
     JOIN
         cerner_db.d_patient dp ON dp.patient_id = fe.patient_id) tmp
GROUP BY 
    year
ORDER BY 
    year;

结果：

如果我运行中间表并进行查询，则会得到相同的结果

--try1
CREATE TABLE cerner_bds_db.overall STORED as PARQUET AS
SELECT tmp.year, count(distinct(tmp.encounter_id)) as Nencounter, count(distinct(tmp.patient_sk)) as Npatient
FROM (
    select DISTINCT fe.encounter_id, dd.year, dp.patient_sk
    from cerner_db.f_encounter fe
    join cerner_db.d_date dd on fe.admitted_dt_id=dd.date_id
    join cerner_db.d_patient dp on dp.patient_id=fe.patient_id) tmp
GROUP BY year
ORDER BY year;

--try2
CREATE TABLE cerner_bds_db.overall STORED as PARQUET AS
SELECT tmp.year, count(distinct(tmp.encounter_id)) as Nencounter, count(distinct(tmp.patient_sk)) as Npatient
FROM (
    select fe.encounter_id, dd.year, dp.patient_sk
    from cerner_db.f_encounter fe
    join cerner_db.d_date dd on fe.admitted_dt_id=dd.date_id
    join cerner_db.d_patient dp on dp.patient_id=fe.patient_id) tmp
GROUP BY year
ORDER BY year;

select year, count(DISTINCT(patient_sk)) from try1 GROUP BY year;
select year, count(DISTINCT(patient_sk)) from try2 GROUP BY year;

Answer 1

区别在于您的第一个查询选择的是不同的值，而第二个查询没有选择的是不同的值，这会返回可能的重复项-如此简单。

关于非重复计数：我不能仅基于图片就无法确定哪个查询是从哪个查询生成的，但是我希望与非非重复计数相比，非重复查询的计数值返回的值要小查询。

Answer 2

您要在DISTINCT级别不同的不同地方减少查询，如果您的数据有点奇怪，应该会出现这种行为。

select DISTINCT fe.encounter_id, ...

但这是一个子Select查询，主Select也具有一个Distinct过滤器，但是主要结果因子查询的初始过滤器而减少。 Distinct条件将过滤整个行，而主查询仅根据特定列进行过滤。

具有唯一性的子查询将删除所有完全相同的行，这是预期的结果。这里的问题是，您的第一个查询正在选择不同的值，但是您的第二个查询是不提取特定的不同的值，因此您的结果将提取可能没有重复值的重复项。坦白地说，如果您有这么多重复的问题，这很可能是数据结构方式的问题。

您可能会看到的 big 部分原因是DISTINCT，而GROUP会影响要提取的初始数据。但这仍然是当前编写这些查询的方式。

Answer 3

DISTINCT以两种不同的方式工作，并且您同时使用两种方式：

在内部/子查询中，您要对整个行应用DISTINCT ，而不是分别应用于每一列。因此，子查询可能返回encounter_id和patient_sk的重复值。它只会消除重复的行组合。
在外部查询中，当您将DISTINCT 列值分别应用于每列时，它们会对其计数。

当然，您会发现差异。

碰巧第一列为您提供相同的结果，而第二列为您提供不同的结果。但通常，通常在两列中都会得到不同的结果。

Answer 4

您正在考虑这个问题。记录不能在整行上重复，并且每一列仍然没有唯一值。

分别查看查询结果和子查询，然后单击。

http://sqlfiddle.com/#!18/f2315/4

CREATE TABLE TEST_DATA
  ( id VARCHAR(100),
    val VARCHAR(100),
    found VARCHAR(100)
  );

INSERT INTO TEST_DATA VALUES (2018,'A','A');
INSERT INTO TEST_DATA VALUES (2018,'B','C');
INSERT INTO TEST_DATA VALUES (2018,'B','B');
INSERT INTO TEST_DATA VALUES (2018,'B','B');
INSERT INTO TEST_DATA VALUES (2018,'A','A');
INSERT INTO TEST_DATA VALUES (2018,'C','NULL');

SELECT id, 
       COUNT(val),
       COUNT(found)
  FROM (SELECT DISTINCT id, val, found FROM TEST_DATA) TMP
 GROUP
    BY id;

vs. 

SELECT id, 
       COUNT(DISTINCT(val)),
       COUNT(DISTINCT(found))
  FROM (SELECT id, val, found FROM TEST_DATA) TMP
 GROUP
    BY id

在嵌套查询中使用distinct返回不同的结果

4 个答案: