sql-server - repetir - sql eliminar registros repetidos dejando solo 1
¿Cómo puedo eliminar filas duplicadas? (30)
Desde el nivel de aplicación (por desgracia). Estoy de acuerdo en que la forma correcta de evitar la duplicación es en el nivel de la base de datos mediante el uso de un índice único, pero en SQL Server 2005, se permite que un índice sea de solo 900 bytes, y mi campo varchar (2048) hace desaparecer.
No sé qué tan bien se desempeñaría, pero creo que podría escribir un disparador para hacer cumplir esto, incluso si no pudiera hacerlo directamente con un índice. Algo como:
-- 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
Además, varchar (2048) me suena raro (algunas cosas en la vida son 2048 bytes, pero es bastante raro); ¿Realmente no debería ser varchar (max)?
¿Cuál es la mejor manera de eliminar filas duplicadas de una tabla de SQL Server
bastante grande (es decir, más de 300,000 filas)?
Las filas, por supuesto, no serán duplicados perfectos debido a la existencia del campo de identidad RowID
.
Mi mesa
RowID int not null identity(1,1) primary key,
Col1 varchar(20) not null,
Col2 varchar(2048) not null,
Col3 tinyint not null
Crear nueva tabla en blanco con la misma estructura.
Ejecutar consulta como esta
INSERT INTO tc_category1 SELECT * FROM tc_category GROUP BY category_id, application_id HAVING count(*) > 1
Entonces ejecuta esta consulta
INSERT INTO tc_category1 SELECT * FROM tc_category GROUP BY category_id, application_id HAVING count(*) = 1
Al utilizar la siguiente consulta, podemos eliminar registros duplicados basados en la columna única o en la columna múltiple. La siguiente consulta se borra en base a dos columnas. nombre de la tabla es: testing
y nombres de columna 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)
Aquí hay otro buen artículo sobre la eliminación de duplicados .
Explica por qué es difícil: " SQL se basa en el álgebra relacional, y los duplicados no pueden ocurrir en el álgebra relacional, porque no se permiten duplicados en un conjunto " .
La solución de la tabla temporal, y dos ejemplos mysql.
En el futuro, va a evitarlo a nivel de base de datos o desde una perspectiva de aplicación. Sugeriría el nivel de la base de datos porque su base de datos debería ser responsable de mantener la integridad referencial, los desarrolladores solo causarán problemas;)
Esta consulta mostró muy buen rendimiento para mí:
DELETE tbl
FROM
MyTable tbl
WHERE
EXISTS (
SELECT
*
FROM
MyTable tbl2
WHERE
tbl2.SameValue = tbl.SameValue
AND tbl.IdUniqueValue < tbl2.IdUniqueValue
)
eliminó 1M filas en poco más de 30 segundos de una tabla de 2M (50% de duplicados)
Esta es la forma más fácil de borrar registros duplicados.
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
Esto eliminará filas duplicadas, excepto la primera fila
DELETE
FROM
Mytable
WHERE
RowID NOT IN (
SELECT
MIN(RowID)
FROM
Mytable
GROUP BY
Col1,
Col2,
Col3
)
Consulte ( http://www.codeproject.com/Articles/157977/Remove-Duplicate-Rows-from-a-Table-in-SQL-Server )
Hay un buen artículo sobre la eliminación de duplicados en el sitio de soporte de Microsoft. Es bastante conservador: te hacen hacer todo en pasos separados, pero debería funcionar bien contra mesas grandes.
En el pasado, utilicé auto-inscripciones para hacer esto, aunque probablemente podría ser un pretexto con una cláusula HAVING:
DELETE dupes
FROM MyTable dupes, MyTable fullTable
WHERE dupes.dupField = fullTable.dupField
AND dupes.secondDupField = fullTable.secondDupField
AND dupes.uniqueField > fullTable.uniqueField
La otra forma es crear una nueva tabla con los mismos campos y con un índice único . Luego mueva todos los datos de la tabla antigua a la tabla nueva . Automáticamente se ignora el SERVIDOR SQL (también hay una opción sobre qué hacer si habrá un valor duplicado: ignorar, interrumpir o sth) valores duplicados. Así que tenemos la misma tabla sin filas duplicadas. Si no desea un Índice Único, después de la transferencia de datos, puede soltarlo .
Especialmente para tablas más grandes , puede usar DTS (paquete SSIS para importar / exportar datos) para transferir todos los datos rápidamente a su nueva tabla indexada de forma única. Para 7 millones de filas toma solo unos minutos.
La siguiente consulta es útil para eliminar filas duplicadas. La tabla en este ejemplo tiene ID
como una columna de identidad y las columnas que tienen datos duplicados son Column1
, Column2
y 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)
La siguiente secuencia de comandos muestra el uso de GROUP BY
, HAVING
, ORDER BY
en una consulta y devuelve los resultados con una columna duplicada y su recuento.
SELECT YourColumnName,
COUNT(*) TotalCount
FROM YourTableName
GROUP BY YourColumnName
HAVING COUNT(*) > 1
ORDER BY COUNT(*) DESC
Mencionaría este enfoque, así como puede ser útil, y funciona en todos los servidores SQL: a menudo hay solo uno, dos duplicados, y se conocen las identificaciones y el número de duplicados. En este caso:
SET ROWCOUNT 1 -- or set to number of rows to be deleted
delete from myTable where RowId = DuplicatedID
SET ROWCOUNT 0
Oh, por supuesto. Utilice una tabla de temperatura. Si desea una declaración única, que no funciona muy bien y que "funcione", puede ir con:
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)
Básicamente, para cada fila en la tabla, la sub-selección encuentra el RowID superior de todas las filas que son exactamente como la fila en consideración. Así que terminas con una lista de RowID que representan las filas "no duplicadas" originales.
Otra forma posible de hacer esto es
;
--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;
Estoy usando ORDER BY (SELECT 0)
arriba, ya que es arbitrario qué fila conservar en caso de un empate.
Para conservar el último en el orden de RowID
, por ejemplo, puede utilizar ORDER BY RowID DESC
Planes de ejecución
El plan de ejecución para esto es a menudo más simple y más eficiente que el de la respuesta aceptada, ya que no requiere la unión automática.
Esto no es siempre el caso, sin embargo. Un lugar donde la solución GROUP BY
podría preferirse es en situaciones en las que un agregado de hash se elegiría con preferencia a un agregado de flujo.
La solución ROW_NUMBER
siempre dará casi el mismo plan, mientras que la estrategia GROUP BY
es más flexible.
Factores que podrían favorecer el enfoque de hash agregado serían
- Ningún índice útil en las columnas de partición
- relativamente menos grupos con relativamente más duplicados en cada grupo
En las versiones extremas de este segundo caso (si hay muy pocos grupos con muchos duplicados en cada uno), también se podría considerar simplemente insertar las filas para mantenerlas en una nueva tabla, TRUNCATE
enviar el original y volver a copiarlo para minimizar el registro comparado con la eliminación Una proporción muy alta de las filas.
Otra solución fácil se puede encontrar en el enlace pegado http://www.codeproject.com/Articles/157977/Remove-Duplicate-Rows-from-a-Table-in-SQL-Server . Este es fácil de entender y parece ser efectivo para la mayoría de los problemas similares. Sin embargo, es para SQL Server, pero el concepto utilizado es más que aceptable.
Aquí están las partes relevantes de la página enlazada:
Considere estos datos:
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
Entonces, ¿cómo podemos eliminar esos datos duplicados?
Primero, inserte una columna de identidad en esa tabla usando el siguiente código:
ALTER TABLE dbo.ATTENDANCE ADD AUTOID INT IDENTITY(1,1)
Usa el siguiente código para resolverlo:
DELETE FROM dbo.ATTENDANCE WHERE AUTOID NOT IN (SELECT MIN(AUTOID) _
FROM dbo.ATTENDANCE GROUP BY EMPLOYEE_ID,ATTENDANCE_DATE)
Pensé que compartiría mi solución ya que funciona en circunstancias especiales. En mi caso, la tabla con valores duplicados no tenía una clave externa (porque los valores se duplicaron desde otra db).
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!!
PD: cuando trabajo en cosas como esta, siempre uso una transacción, esto no solo garantiza que todo se ejecute como un todo, sino que también me permite realizar pruebas sin arriesgar nada. Pero, por supuesto, deberías hacer una copia de seguridad de todos modos para estar seguro ...
Preferiría CTE para eliminar filas duplicadas de la tabla del servidor SQL
Recomiendo encarecidamente seguir este artículo: http://codaffection.com/sql-server-article/delete-duplicate-rows-in-sql-server/
manteniendo original
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
sin guardar original
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)
Prefiero la subconsulta / tener cuenta (*)> 1 solución a la combinación interna porque me resultó más fácil de leer y fue muy fácil convertirla en una instrucción SELECT para verificar lo que se eliminaría antes de ejecutarlo.
--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
--)
Rápido y sucio para eliminar filas duplicadas exactas (para tablas pequeñas):
select distinct * into t2 from t1;
delete from t1;
insert into t1 select * from t2;
drop table t2;
Si desea obtener una vista previa de las filas que está a punto de eliminar y mantener el control sobre cuál de las filas duplicadas debe mantener. Consulte 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
Suponiendo que no haya nulos, se agrupan por las columnas únicas y SELECT
el MINI MIN (or MAX)
RowId como la fila a mantener. Luego, simplemente borre todo lo que no tenía una identificación de fila:
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
En caso de que tenga un GUID en lugar de un entero, puede reemplazar
MIN(RowId)
con
CONVERT(uniqueidentifier, MIN(CONVERT(char(36), MyGuidColumn)))
Tenía una tabla donde necesitaba preservar filas no duplicadas. No estoy seguro de la velocidad o la eficiencia.
DELETE FROM myTable WHERE RowID IN (
SELECT MIN(RowID) AS IDNo FROM myTable
GROUP BY Col1, Col2, Col3
HAVING COUNT(*) = 2 )
Utilizando CTE. La idea es unirse en una o más columnas que forman un registro duplicado y luego eliminar lo que quieras:
;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;
Utilizar esta
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
Para buscar filas duplicadas:
SELECT
name, email, COUNT(*)
FROM
users
GROUP BY
name, email
HAVING COUNT(*) > 1
Para eliminar las filas duplicadas:
DELETE users
WHERE rowid NOT IN
(SELECT MIN(rowid)
FROM users
GROUP BY name, email);
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)
DELETE
FROM
table_name T1
WHERE
rowid > (
SELECT
min(rowid)
FROM
table_name T2
WHERE
T1.column_name = T2.column_name
);
DELETE
FROM MyTable
WHERE NOT EXISTS (
SELECT min(RowID)
FROM Mytable
WHERE (SELECT RowID
FROM Mytable
GROUP BY Col1, Col2, Col3
))
);
DELETE LU
FROM (SELECT *,
Row_number()
OVER (
partition BY col1, col1, col3
ORDER BY rowid DESC) [Row]
FROM mytable) LU
WHERE [row] > 1
SELECT DISTINCT *
INTO tempdb.dbo.tmpTable
FROM myTable
TRUNCATE TABLE myTable
INSERT INTO myTable SELECT * FROM tempdb.dbo.tmpTable
DROP TABLE tempdb.dbo.tmpTable
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