SQL优化之使用正确的去重方法

作者：丶平凡世界 SQL数据库开发

上一讲我们使用DISTINCT来去掉重复行以提高查询效率，没看过的小伙伴戳这里

《原创 | SQL优化之不查询多余的行和列》。

这和小伙伴们平常听到的一条优化建议：尽量少使用DISTINCT相悖。下面我们来看看DISTINCT到底该不该使用。如果不想看处理过程的可以直接跳到红色结论部分。

1.使用DISTINCT去掉重复数据
我们重复一下上一讲的例子:

SELECT DISTINCT UnitPrice
FROM [Sales].[SalesOrderDetail]
WHERE UnitPrice>1000;

执行完之后的结果如下：

接下来，我们将这个表里的数据增大到194万条，再重复上面的实验。

--将表SalesOrderDetail插入到一张物理表中

SELECT * INTO Sales.Temp_SalesOrder
FROM [Sales].[SalesOrderDetail] ;

--通过新增的物理表进行自循环插入3次，将数据增加到1941072行

DECLARE @i INT;
SET @i=0
WHILE @i<4
BEGIN
--这里没有将SalesOrderDetailID这个自增长的放在列中，是为了让系统自动填充不同的数字进去，保证唯一性。
INSERT INTO Sales.Temp_SalesOrder
(SalesOrderID,CarrierTrackingNumber,OrderQty,ProductID,SpecialOfferID,
UnitPrice,UnitPriceDiscount,LineTotal,rowguid,ModifiedDate)

SELECT
SalesOrderID,CarrierTrackingNumber,OrderQty,ProductID,SpecialOfferID,
UnitPrice,UnitPriceDiscount,LineTotal,NEWID(),ModifiedDate
FROM Sales.Temp_SalesOrder
SET @i=@i+1;
END;

SELECT COUNT(1) FROM Sales.Temp_SalesOrder；

（提示：可以左右滑动代码）

将SalesOrderDetailID的自增长属性取消掉之后，插入1000条自身的数据，这样我们就可以得到1000条重复的SalesOrderDetailID，相比1942072条记录占比很小了

如下图，将自增长标识的是换成否后即可插入了。

INSERT INTO sales.Temp_Salesorder
SELECT TOP 1000 * FROM sales.Temp_Salesorder；

数据插入完整后，我们在将上一讲的内容重复一下，看看效果如何？

A.在没建索引的情况下，我们只查询UnitPrice这一列

SELECT UnitPrice FROM Sales.Temp_SalesOrder ;

我们看一下执行情况：

接下来是鉴证奇迹的时刻了，我们加DISTINCT在UnitPrice前面试试

SELECT  DISTINCT  UnitPrice FROM sales.Temp_Salesorder;

和之前的实验结果一致，在执行时间没有多大差别的情况下，分析时间成倍的减少了。

B.当SalesOrderDetailID取消掉自增长属性后就和普通列一样了。

我们来重复上面的步骤：

SELECT   SalesOrderDetailID FROM sales.Temp_Salesorder

执行完后结果如下：

与上面的UnitPrice没使用DISTINCT情况基本一致。

然后我们给SalesOrderDetailID加上DISTINCT后会怎么样呢？

SELECT DISTINCT  SalesOrderDetailID
FROM sales.Temp_Salesorder

我们可以看到如下执行情况：

从上图可以看到，DISTINCT已经排除了1000条记录，但是在执行时花的时间比没加DISTINCT更久了。

通过上述两个实验，我们可以得出这样一条结论：在重复量比较高的表中，使用DISTINCT可以有效提高查询效率，而在重复量比较低的表中，使用DISTINCT会严重降低查询效率。所以并不是所有的DISTINCT都是降低效率的，当然你得提前判断数据的重复量。

2.GROUP BY与DISTINCT去掉重复数据的对比

GROUP BY与DISTINCT类似，经常会有一些针对这两个哪个效率高的争议，今天我们就将这两个在不同重复数据量的效率作下对比。

A.重复数据量多的情况下，对UnitPrice进行去重

SELECT  DISTINCT  UnitPrice FROM sales.Temp_Salesorder;
SELECT  UnitPrice FROM sales.Temp_Salesorder GROUP BY UnitPrice;

将上述两条语句一起执行，结果如下：

可以看出两条语句对应的执行时间GROUP BY比DISTINCT效率高一点点。

B.重复数据量少的情况下，对SalesOrderDetailID进行去重

SELECT  DISTINCT SalesOrderDetailID FROM sales.Temp_Salesorder
SELECT   SalesOrderDetailID FROM sales.Temp_Salesorder
GROUP BY SalesOrderDetailID

也是同时执行上述两条语句，其结果如下：

作者对上述语句同时执行多次，针对重复量多的UnitPrice，GROUP BY总的处理效率比DISTINCT高一点点，但是针对重复量低的SalesOrderDetailID，DISTINCT就比GROUP BY快一点了，而如果随着整体数据量的增加，效果会越来越明显。