Как я могу удалить повторяющиеся строки?

Question

Каков наилучший способ удалить повторяющиеся строки из довольно большого SQL Server таблица (т.е.Более 300 000 строк)?

Строки, конечно, не будут идеальными дубликатами из-за существования RowID поле идентификации.

Мой стол

RowID int not null identity(1,1) primary key,
Col1 varchar(20) not null,
Col2 varchar(2048) not null,
Col3 tinyint not null

Answer 1

Предполагая отсутствие нулей, вы GROUP BY уникальные столбцы и SELECT тот самый MIN (or MAX) RowId как строка для сохранения.Затем просто удалите все, у чего не было идентификатора строки:

DELETE FROM MyTable
LEFT OUTER JOIN (
   SELECT MIN(RowId) as RowId, Col1, Col2, Col3 
   FROM MyTable 
   GROUP BY Col1, Col2, Col3
) as KeepRows ON
   MyTable.RowId = KeepRows.RowId
WHERE
   KeepRows.RowId IS NULL

Если у вас есть GUID вместо целого числа, вы можете заменить

MIN(RowId)

с

CONVERT(uniqueidentifier, MIN(CONVERT(char(36), MyGuidColumn)))

Answer 2

Другим возможным способом сделать это является

; 

--Ensure that any immediately preceding statement is terminated with a semicolon above
WITH cte
     AS (SELECT ROW_NUMBER() OVER (PARTITION BY Col1, Col2, Col3 
                                       ORDER BY ( SELECT 0)) RN
         FROM   #MyTable)
DELETE FROM cte
WHERE  RN > 1;

Я использую ORDER BY (SELECT 0) выше, поскольку произвольно, какую строку сохранить в случае ничьей.

Чтобы сохранить последнюю версию в RowID заказ, например, вы могли бы использовать ORDER BY RowID DESC

Планы выполнения

План выполнения для этого часто проще и эффективнее, чем в принятом ответе, поскольку он не требует самостоятельного объединения.

Однако это не всегда так.Одно место , где GROUP BY решением, которое может быть предпочтительным, являются ситуации, когда хэш- агрегат было бы выбрано предпочтительнее агрегата потоков.

Тот Самый ROW_NUMBER решение всегда будет давать практически один и тот же план, в то время как GROUP BY стратегия более гибкая.

Факторами, которые могли бы благоприятствовать хэш-агрегированному подходу, были бы

• Нет полезного индекса в столбцах секционирования
• относительно меньшее количество групп с относительно большим количеством дубликатов в каждой группе

В крайних версиях этого второго случая (если существует очень мало групп с большим количеством дубликатов в каждой) можно также рассмотреть возможность простой вставки строк для сохранения в новую таблицу, а затем TRUNCATE-редактирование оригиналов и копирование их обратно для минимизации протоколирования по сравнению с удалением очень большой доли строк.

Answer 3

Есть хорошая статья о удаление дубликатов на сайте службы поддержки Майкрософт.Это довольно консервативно - они заставляют вас делать все отдельными шагами, - но это должно хорошо работать с большими таблицами.

В прошлом я использовал самосоединения для этого, хотя, вероятно, это можно было бы дополнить предложением HAVING:

DELETE dupes
FROM MyTable dupes, MyTable fullTable
WHERE dupes.dupField = fullTable.dupField 
AND dupes.secondDupField = fullTable.secondDupField 
AND dupes.uniqueField > fullTable.uniqueField

Answer 4

Следующий запрос полезен для удаления повторяющихся строк.Таблица в этом примере содержит ID в качестве идентификационного столбца и столбцов, содержащих дублирующиеся данные, используются Column1, Column2 и Column3.

DELETE FROM TableName
WHERE  ID NOT IN (SELECT MAX(ID)
                  FROM   TableName
                  GROUP  BY Column1,
                            Column2,
                            Column3
                  /*Even if ID is not null-able SQL Server treats MAX(ID) as potentially
                    nullable. Because of semantics of NOT IN (NULL) including the clause
                    below can simplify the plan*/
                  HAVING MAX(ID) IS NOT NULL) 

Следующий скрипт показывает использование GROUP BY, HAVING, ORDER BY в одном запросе и возвращает результаты с повторяющимся столбцом и его количеством.

SELECT YourColumnName,
       COUNT(*) TotalCount
FROM   YourTableName
GROUP  BY YourColumnName
HAVING COUNT(*) > 1
ORDER  BY COUNT(*) DESC 

Answer 5

delete t1
from table t1, table t2
where t1.columnA = t2.columnA
and t1.rowid>t2.rowid

Postgres:

delete
from table t1
using table t2
where t1.columnA = t2.columnA
and t1.rowid > t2.rowid

Answer 6

DELETE LU 
FROM   (SELECT *, 
               Row_number() 
                 OVER ( 
                   partition BY col1, col1, col3 
                   ORDER BY rowid DESC) [Row] 
        FROM   mytable) LU 
WHERE  [row] > 1 

Answer 7

Это приведет к удалению повторяющихся строк, за исключением первой строки

DELETE
FROM
    Mytable
WHERE
    RowID NOT IN (
        SELECT
            MIN(RowID)
        FROM
            Mytable
        GROUP BY
            Col1,
            Col2,
            Col3
    )

Ссылаться (http://www.codeproject.com/Articles/157977/Remove-Duplicate-Rows-from-a-Table-in-SQL-Server)

Answer 8

Я бы предпочел CTE для удаления повторяющихся строк из таблицы sql server

настоятельно рекомендую ознакомиться с этой статьей ::http://codaffection.com/sql-server-article/delete-duplicate-rows-in-sql-server/

сохраняя оригинальность

WITH CTE AS
(
SELECT *,ROW_NUMBER() OVER (PARTITION BY col1,col2,col3 ORDER BY col1,col2,col3) AS RN
FROM MyTable
)

DELETE FROM CTE WHERE RN<>1

без сохранения оригинала

WITH CTE AS
(SELECT *,R=RANK() OVER (ORDER BY col1,col2,col3)
FROM MyTable)
 
DELETE CTE
WHERE R IN (SELECT R FROM CTE GROUP BY R HAVING COUNT(*)>1)

Answer 9

Быстрое и грязное удаление точных дублированных строк (для небольших таблиц):

select  distinct * into t2 from t1;
delete from t1;
insert into t1 select *  from t2;
drop table t2;

Answer 10

Я предпочитаю решение подзапроса \having count (*) > 1 внутреннему соединению, потому что я нашел его более легким для чтения, и его было очень легко превратить в оператор SELECT, чтобы проверить, что будет удалено, прежде чем вы его запустите.

--DELETE FROM table1 
--WHERE id IN ( 
     SELECT MIN(id) FROM table1 
     GROUP BY col1, col2, col3 
     -- could add a WHERE clause here to further filter
     HAVING count(*) > 1
--)

Answer 11

Для извлечения повторяющихся строк:

SELECT
name, email, COUNT(*)
FROM 
users
GROUP BY
name, email
HAVING COUNT(*) > 1

Чтобы удалить повторяющиеся строки:

DELETE users 
WHERE rowid NOT IN 
(SELECT MIN(rowid)
FROM users
GROUP BY name, email);      

Answer 12

SELECT  DISTINCT *
      INTO tempdb.dbo.tmpTable
FROM myTable

TRUNCATE TABLE myTable
INSERT INTO myTable SELECT * FROM tempdb.dbo.tmpTable
DROP TABLE tempdb.dbo.tmpTable

Answer 13

Я подумал, что стоит поделиться своим решением, поскольку оно работает при особых обстоятельствах.В моем случае таблица с повторяющимися значениями не имела внешнего ключа (потому что значения были продублированы из другой базы данных).

begin transaction
-- create temp table with identical structure as source table
Select * Into #temp From tableName Where 1 = 2

-- insert distinct values into temp
insert into #temp 
select distinct * 
from  tableName

-- delete from source
delete from tableName 

-- insert into source from temp
insert into tableName 
select * 
from #temp

rollback transaction
-- if this works, change rollback to commit and execute again to keep you changes!!

PS:при работе над подобными вещами я всегда использую транзакцию, это не только гарантирует, что все выполняется в целом, но и позволяет мне тестировать, ничем не рискуя.Но, конечно, вам все равно следует сделать резервную копию, просто чтобы быть уверенным...

Answer 14

Используя CTE.Идея состоит в том, чтобы объединить один или несколько столбцов, которые образуют дублирующуюся запись, а затем удалить все, что вам нравится:

;with cte as (
    select 
        min(PrimaryKey) as PrimaryKey
        UniqueColumn1,
        UniqueColumn2
    from dbo.DuplicatesTable 
    group by
        UniqueColumn1, UniqueColumn1
    having count(*) > 1
)
delete d
from dbo.DuplicatesTable d 
inner join cte on 
    d.PrimaryKey > cte.PrimaryKey and
    d.UniqueColumn1 = cte.UniqueColumn1 and 
    d.UniqueColumn2 = cte.UniqueColumn2;

Answer 15

Еще одно простое решение можно найти по вставленной ссылке здесь.Этот метод прост для понимания и, по-видимому, эффективен для большинства подобных проблем.Хотя это и для SQL Server, но используемая концепция более чем приемлема.

Вот соответствующие фрагменты со страницы, на которую дана ссылка:

Рассмотрим эти данные:

EMPLOYEE_ID ATTENDANCE_DATE
A001    2011-01-01
A001    2011-01-01
A002    2011-01-01
A002    2011-01-01
A002    2011-01-01
A003    2011-01-01

Итак, как мы можем удалить эти дублирующиеся данные?

Сначала вставьте столбец идентификатора в эту таблицу, используя следующий код:

ALTER TABLE dbo.ATTENDANCE ADD AUTOID INT IDENTITY(1,1)  

Используйте следующий код, чтобы устранить эту проблему:

DELETE FROM dbo.ATTENDANCE WHERE AUTOID NOT IN (SELECT MIN(AUTOID) _
    FROM dbo.ATTENDANCE GROUP BY EMPLOYEE_ID,ATTENDANCE_DATE) 

Answer 16

Этот запрос показал очень хорошую производительность для меня:

DELETE tbl
FROM
    MyTable tbl
WHERE
    EXISTS (
        SELECT
            *
        FROM
            MyTable tbl2
        WHERE
            tbl2.SameValue = tbl.SameValue
        AND tbl.IdUniqueValue < tbl2.IdUniqueValue
    )

он удалил 1 млн строк чуть более чем за 30 секунд из таблицы в 2 млн (50% дубликатов).

Answer 17

Вот еще одна хорошая статья о удаление дубликатов.

В нем обсуждается, почему это сложно:"SQL основан на реляционной алгебре, и дубликаты не могут встречаться в реляционной алгебре, поскольку дубликаты не допускаются в наборе."

Решение для временных таблиц и два примера mysql.

Собираетесь ли вы в будущем предотвращать это на уровне базы данных или с точки зрения приложения?Я бы предложил уровень базы данных, потому что ваша база данных должна отвечать за поддержание ссылочной целостности, разработчики просто создадут проблемы ;)

Answer 18

О, конечно.Используйте временную таблицу.Если вам нужен один не очень производительный оператор, который "работает", вы можете использовать:

DELETE FROM MyTable WHERE NOT RowID IN
    (SELECT 
        (SELECT TOP 1 RowID FROM MyTable mt2 
        WHERE mt2.Col1 = mt.Col1 
        AND mt2.Col2 = mt.Col2 
        AND mt2.Col3 = mt.Col3) 
    FROM MyTable mt)

По сути, для каждой строки в таблице вложенный выбор находит верхний RowID всех строк, которые точно похожи на рассматриваемую строку.Таким образом, в итоге вы получаете список идентификаторов строк, которые представляют "исходные" неповторяющиеся строки.

Answer 19

У меня была таблица, в которой мне нужно было сохранить неповторяющиеся строки.Я не уверен в скорости или эффективности.

DELETE FROM myTable WHERE RowID IN (
  SELECT MIN(RowID) AS IDNo FROM myTable
  GROUP BY Col1, Col2, Col3
  HAVING COUNT(*) = 2 )

Answer 20

Другой способ заключается в Создайте новый таблица с одинаковыми полями и с Уникальным Индексом.Тогда переместить все данные из старой таблицы в новую.Автоматически SQL SERVER игнорирует (также есть опция о том, что делать, если будет дублироваться значение:игнорировать, прерывать или sth) повторяющиеся значения.Итак, у нас есть одна и та же таблица без повторяющихся строк. Если вам не нужен Уникальный индекс, после передачи данных вы можете удалить его.

Особенно для больших столов вы можете использовать DTS (пакет SSIS для импорта / экспорта данных), чтобы быстро перенести все данные в вашу новую уникально индексированную таблицу.Для 7 миллионов строк это занимает всего несколько минут.

Answer 21

Используй это

WITH tblTemp as
(
SELECT ROW_NUMBER() Over(PARTITION BY Name,Department ORDER BY Name)
   As RowNumber,* FROM <table_name>
)
DELETE FROM tblTemp where RowNumber >1

Answer 22

Используя приведенный ниже запрос, мы можем удалить дублирующиеся записи на основе одного столбца или нескольких столбцов.приведенный ниже запрос удален на основе двух столбцов.имя таблицы - это: testing и имена столбцов empno,empname

DELETE FROM testing WHERE empno not IN (SELECT empno FROM (SELECT empno, ROW_NUMBER() OVER (PARTITION BY empno ORDER BY empno) 
AS [ItemNumber] FROM testing) a WHERE ItemNumber > 1)
or empname not in
(select empname from (select empname,row_number() over(PARTITION BY empno ORDER BY empno) 
AS [ItemNumber] FROM testing) a WHERE ItemNumber > 1)

Answer 23

1. Создайте новую пустую таблицу с той же структурой

2. Выполните запрос следующим образом

   INSERT INTO tc_category1
   SELECT *
   FROM tc_category
   GROUP BY category_id, application_id
   HAVING count(*) > 1
   

3. Затем выполните этот запрос

   INSERT INTO tc_category1
   SELECT *
   FROM tc_category
   GROUP BY category_id, application_id
   HAVING count(*) = 1
   

Answer 24

Это самый простой способ удалить дублирующуюся запись

 DELETE FROM tblemp WHERE id IN 
 (
  SELECT MIN(id) FROM tblemp
   GROUP BY  title HAVING COUNT(id)>1
 )

http://askme.indianyouth.info/details/how-to-dumplicate-record-from-table-in-using-sql-105

Answer 25

Я бы упомянул этот подход, поскольку он может быть полезным и работает на всех серверах SQL:Довольно часто существует только один-два дубликата, а идентификаторы и количество дубликатов известны.В данном случае:

SET ROWCOUNT 1 -- or set to number of rows to be deleted
delete from myTable where RowId = DuplicatedID
SET ROWCOUNT 0

Answer 26

С прикладного уровня (к сожалению).Я согласен, что правильный способ предотвратить дублирование - на уровне базы данных с помощью уникального индекса, но в SQL Server 2005 индексу разрешено составлять всего 900 байт, и мое поле varchar (2048) устраняет это.

Я не знаю, насколько хорошо это будет работать, но я думаю, вы могли бы написать триггер для принудительного выполнения этого, даже если вы не могли бы сделать это напрямую с помощью индекса.Что -то вроде:

-- given a table stories(story_id int not null primary key, story varchar(max) not null)
CREATE TRIGGER prevent_plagiarism 
ON stories 
after INSERT, UPDATE 
AS 
    DECLARE @cnt AS INT 

    SELECT @cnt = Count(*) 
    FROM   stories 
           INNER JOIN inserted 
                   ON ( stories.story = inserted.story 
                        AND stories.story_id != inserted.story_id ) 

    IF @cnt > 0 
      BEGIN 
          RAISERROR('plagiarism detected',16,1) 

          ROLLBACK TRANSACTION 
      END 

Кроме того, varchar (2048) звучит для меня подозрительно (некоторые вещи в жизни имеют размер 2048 байт, но это довольно необычно);неужели это действительно не должен быть varchar (max)?

Answer 27

DELETE
FROM
    table_name T1
WHERE
    rowid > (
        SELECT
            min(rowid)
        FROM
            table_name T2
        WHERE
            T1.column_name = T2.column_name
    );

Answer 28

CREATE TABLE car(Id int identity(1,1), PersonId int, CarId int)

INSERT INTO car(PersonId,CarId)
VALUES(1,2),(1,3),(1,2),(2,4)

--SELECT * FROM car

;WITH CTE as(
SELECT ROW_NUMBER() over (PARTITION BY personid,carid order by personid,carid) as rn,Id,PersonID,CarId from car)

DELETE FROM car where Id in(SELECT Id FROM CTE WHERE rn>1)

Answer 29

I вы хотите просмотреть строки, которые собираетесь удалить, и сохранить контроль над тем, какие из повторяющихся строк сохранить.Видишь http://developer.azurewebsites.net/2014/09/better-sql-group-by-find-duplicate-data/

with MYCTE as (
  SELECT ROW_NUMBER() OVER (
    PARTITION BY DuplicateKey1
                ,DuplicateKey2 -- optional
    ORDER BY CreatedAt -- the first row among duplicates will be kept, other rows will be removed
  ) RN
  FROM MyTable
)
DELETE FROM MYCTE
WHERE RN > 1

Answer 30

DELETE 
FROM MyTable
WHERE NOT EXISTS (
              SELECT min(RowID)
              FROM Mytable
              WHERE (SELECT RowID 
                     FROM Mytable
                     GROUP BY Col1, Col2, Col3
                     ))
               );