mysql - Extraño comportamiento duplicado de GROUP_CONCAT de dos LEFT JOINs de GROUP_BYs

group-by left-join

Question

Here está la estructura de todas mis tablas y la consulta (concéntrese en la última consulta, adjunta a continuación) . Como puede ver en el violín, aquí está la salida actual:

+---------+-----------+-------+------------+--------------+
| user_id | user_name | score | reputation | top_two_tags |
+---------+-----------+-------+------------+--------------+
| 1       | Jack      | 0     | 18         | css,mysql    |
| 4       | James     | 1     | 5          | html         |
| 2       | Peter     | 0     | 0          | null         |
| 3       | Ali       | 0     | 0          | null         |
+---------+-----------+-------+------------+--------------+

Es correcto y todo bien.

Ahora tengo una existencia más llamada "categoría". Cada publicación puede tener solo una categoría. Y también quiero obtener las dos categorías principales para cada usuario. Y here está mi nueva consulta. Como ve en el resultado, sucedieron algunos duplicados:

+---------+-----------+-------+------------+--------------+------------------------+
| user_id | user_name | score | reputation | top_two_tags |   top_two_categories   |
+---------+-----------+-------+------------+--------------+------------------------+
| 1       | Jack      | 0     | 18         | css,css      | technology,technology  |
| 4       | James     | 1     | 5          | html         | political              |
| 2       | Peter     | 0     | 0          | null         | null                   |
| 3       | Ali       | 0     | 0          | null         | null                   |
+---------+-----------+-------+------------+--------------+------------------------+

¿Ver? css,css , technology, technology . ¿Por qué estos son duplicados? Acabo de agregar uno más a la LEFT JOIN para las categories , exactamente como las tags . Pero no funciona como se esperaba e incluso afecta las etiquetas.

De todos modos, este es el resultado esperado:

+---------+-----------+-------+------------+--------------+------------------------+
| user_id | user_name | score | reputation | top_two_tags |        category        |
+---------+-----------+-------+------------+--------------+------------------------+
| 1       | Jack      | 0     | 18         | css,mysql    | technology,social      |
| 4       | James     | 1     | 5          | html         | political              |
| 2       | Peter     | 0     | 0          | null         | null                   |
| 3       | Ali       | 0     | 0          | null         | null                   |
+---------+-----------+-------+------------+--------------+------------------------+

¿Alguien sabe cómo puedo lograr eso?

CREATE TABLE users(id integer PRIMARY KEY, user_name varchar(5));
CREATE TABLE tags(id integer NOT NULL PRIMARY KEY, tag varchar(5));
CREATE TABLE reputations(
    id  integer PRIMARY KEY, 
    post_id  integer /* REFERENCES posts(id) */, 
    user_id integer REFERENCES users(id), 
    score integer, 
    reputation integer, 
    date_time integer);
CREATE TABLE post_tag(
    post_id integer /* REFERENCES posts(id) */, 
    tag_id integer REFERENCES tags(id),
    PRIMARY KEY (post_id, tag_id));
CREATE TABLE categories(id INTEGER NOT NULL PRIMARY KEY, category varchar(10) NOT NULL);
CREATE TABLE post_category(
    post_id INTEGER NOT NULL /* REFERENCES posts(id) */, 
    category_id INTEGER NOT NULL REFERENCES categories(id),
    PRIMARY KEY(post_id, category_id)) ;

SELECT
    q1.user_id, q1.user_name, q1.score, q1.reputation, 
    substring_index(group_concat(q2.tag  ORDER BY q2.tag_reputation DESC SEPARATOR '',''), '','', 2) AS top_two_tags,
    substring_index(group_concat(q3.category  ORDER BY q3.category_reputation DESC SEPARATOR '',''), '','', 2) AS category
FROM
    (SELECT 
        u.id AS user_Id, 
        u.user_name,
        coalesce(sum(r.score), 0) as score,
        coalesce(sum(r.reputation), 0) as reputation
    FROM 
        users u
        LEFT JOIN reputations r 
            ON    r.user_id = u.id 
              AND r.date_time > 1500584821 /* unix_timestamp(DATE_SUB(now(), INTERVAL 1 WEEK)) */
    GROUP BY 
        u.id, u.user_name
    ) AS q1
    LEFT JOIN
    (
    SELECT
        r.user_id AS user_id, t.tag, sum(r.reputation) AS tag_reputation
    FROM
        reputations r 
        JOIN post_tag pt ON pt.post_id = r.post_id
        JOIN tags t ON t.id = pt.tag_id
    WHERE
        r.date_time > 1500584821 /* unix_timestamp(DATE_SUB(now(), INTERVAL 1 WEEK)) */
    GROUP BY
        user_id, t.tag
    ) AS q2
    ON q2.user_id = q1.user_id 
    LEFT JOIN
    (
    SELECT
        r.user_id AS user_id, c.category, sum(r.reputation) AS category_reputation
    FROM
        reputations r 
        JOIN post_category ct ON ct.post_id = r.post_id
        JOIN categories c ON c.id = ct.category_id
    WHERE
        r.date_time > 1500584821 /* unix_timestamp(DATE_SUB(now(), INTERVAL 1 WEEK)) */
    GROUP BY
        user_id, c.category
    ) AS q3
    ON q3.user_id = q1.user_id 
GROUP BY
    q1.user_id, q1.user_name, q1.score, q1.reputation
ORDER BY
    q1.reputation DESC, q1.score DESC ;

Answer 1

Su segunda consulta es de la forma:

q1 -- PK user_id
LEFT JOIN (...
    GROUP BY user_id, t.tag
) AS q2
ON q2.user_id = q1.user_id 
LEFT JOIN (...
    GROUP BY user_id, c.category
) AS q3
ON q3.user_id = q1.user_id
GROUP BY -- group_concats

Los GROUP BY internos dan como resultado (user_id, t.tag) y (user_id, c.category) como claves / UNIQUEs. Aparte de eso, no abordaré esos GROUP BY.

TL; DR Cuando une (q1 JOIN q2) a q3 no está en una clave / ÚNICA de una de ellas, por lo que por cada user_id obtiene una fila para cada combinación posible de etiqueta y categoría. Entonces, el GROUP BY final ingresa duplicados por (user_id, tag) y per (user_id, category) e inapropiadamente GROUP_CONCAT duplica etiquetas y categorías por user_id. Correcto sería (q1 JOIN q2 GROUP BY) JOIN (q1 JOIN q3 GROUP BY) en el que todas las combinaciones están en la clave común / UNIQUE (user_id) y no hay agregación espuria. Aunque a veces puedes deshacer esa agregación espuria.

Un enfoque simétrico INNER JOIN correcto: IZQUIERDA UNIR q1 & q2--1: muchos, luego GROUP BY & GROUP_CONCAT (que es lo que hizo su primera consulta); luego por separado de manera similar IZQUIERDA UNIR q1 & q3--1: muchos - luego GROUP BY & GROUP_CONCAT; luego INTERIOR ÚNASE a los dos resultados EN user_id - 1: 1.

Un enfoque de subconsulta escalar simétrica correcta: SELECCIONE GROUP_CONCATs de q1 como subconsultas escalares cada una con un GROUP BY.

Un enfoque acumulativo correcto de IZQUIERDA IZQUIERDA: IZQUIERDA ÚNICA q1 y q2--1: muchos, luego GROUP BY & GROUP_CONCAT; luego IZQUIERDA UNIRSE a que & q3--1: muchos - luego GROUP BY & GROUP_CONCAT.

Un enfoque correcto como su segunda consulta: Primero, SE DEJÓ UNIRSE q1 y q2--1: muchos. Entonces DEJASTE UNIRTE a eso y q3 - muchos: 1: muchos. Proporciona una fila para cada combinación posible de una etiqueta y una categoría que aparecen con un user_id. Luego, después de GROUP BY you GROUP_CONCAT - sobre pares duplicados (id_usuario, etiqueta) y pares duplicados (id_usuario, categoría). Es por eso que tiene elementos de lista duplicados. Pero agregar DISTINCT a GROUP_CONCAT da un resultado correcto. (Según el comentario de wchiquito .)

Lo que prefiere es, como de costumbre, una compensación de ingeniería para estar informado por los planes de consulta y los tiempos, según los datos / uso / estadísticas reales. entrada y estadísticas para la cantidad esperada de duplicación), el tiempo de las consultas reales, etc. Un problema es si las filas adicionales de los muchos: 1: enfoque de unir muchos compensan el ahorro de un GROUP BY.

-- cumulative LEFT JOIN approach
SELECT
   q1.user_id, q1.user_name, q1.score, q1.reputation,
    top_two_tags,
    substring_index(group_concat(q3.category  ORDER BY q3.category_reputation DESC SEPARATOR '',''), '','', 2) AS category
FROM
    -- your 1st query (less ORDER BY) AS q1
    (SELECT
        q1.user_id, q1.user_name, q1.score, q1.reputation, 
        substring_index(group_concat(q2.tag  ORDER BY q2.tag_reputation DESC SEPARATOR '',''), '','', 2) AS top_two_tags
    FROM
        (SELECT 
            u.id AS user_Id, 
            u.user_name,
            coalesce(sum(r.score), 0) as score,
            coalesce(sum(r.reputation), 0) as reputation
        FROM 
            users u
            LEFT JOIN reputations r 
                ON    r.user_id = u.id 
                  AND r.date_time > 1500584821 /* unix_timestamp(DATE_SUB(now(), INTERVAL 1 WEEK)) */
        GROUP BY 
            u.id, u.user_name
        ) AS q1
        LEFT JOIN
        (
        SELECT
            r.user_id AS user_id, t.tag, sum(r.reputation) AS tag_reputation
        FROM
            reputations r 
            JOIN post_tag pt ON pt.post_id = r.post_id
            JOIN tags t ON t.id = pt.tag_id
        WHERE
            r.date_time > 1500584821 /* unix_timestamp(DATE_SUB(now(), INTERVAL 1 WEEK)) */
        GROUP BY
            user_id, t.tag
        ) AS q2
        ON q2.user_id = q1.user_id 
        GROUP BY
            q1.user_id, q1.user_name, q1.score, q1.reputation
    ) AS q1
    -- finish like your 2nd query
    LEFT JOIN
    (
    SELECT
        r.user_id AS user_id, c.category, sum(r.reputation) AS category_reputation
    FROM
        reputations r 
        JOIN post_category ct ON ct.post_id = r.post_id
        JOIN categories c ON c.id = ct.category_id
    WHERE
        r.date_time > 1500584821 /* unix_timestamp(DATE_SUB(now(), INTERVAL 1 WEEK)) */
    GROUP BY
        user_id, c.category
    ) AS q3
    ON q3.user_id = q1.user_id 
GROUP BY
    q1.user_id, q1.user_name, q1.score, q1.reputation
ORDER BY
    q1.reputation DESC, q1.score DESC ;