GaussDB数据库SQL系列-数据去重

风晓 2024-01-13 09:05:10  54114 赞同 0 反对 0

分类：资源标签：国产数据库

GaussDB数据库SQL系列-数据去重

一、前言

数据去重在数据库中是比较常见的操作。复杂的业务场景、多业务线的数据来源等等，都会带来重复数据的存储。本文以GaussDB数据库为实验平台，将为大家详细讲解如何去重。

二、数据去重应用场景

数据库管理（含备份）：在数据库中进行数据去重可以避免数据重复存储、备份，提高数据库的存储效率、降低备份的存储成本。
数据集成：在数据集成的过程中，需要合并多个数据源的数据，去重可以避免重复的数据对合并结果的影响。
数据分析（或挖掘）：在进行数据分析或数据挖掘时，去重可以避免重复的数据对分析或挖掘结果的干扰，提高分析的准确性。
电商平台：在电商平台上进行商品去重可以避免重复上架相同的商品，提高平台的用户体验。
金融风控：在金融风控领域，去重可以避免重复的数据对风控模型的影响，提高风控的准确性。

三、数据去重案例（GaussDB）

实战业务场景 + GaussDB数据库

1、示例场景描述

以保险行业的客户信息除重为例，为防止坐席重复联系客户（容易造成客户投诉），需要将客户进行唯一身份识别。存在以下两种情况，需要将其识别成一个人（唯一），这时候就需要进行数据去重的动作。

情况一：同一个客户有不同的来源渠道：客户即购买了寿险、又购买了产险（两个不同的来源系统）；
情况二：同一个客户多次回流：客户在同一个渠道多次购买（续保或者购买同一险种的不同产品）。

2、定义重复数据

通过“姓名+证件类型+证件号”将其识别为一个人，即只要这三个字段重复，就认为这些数据行为重复数据。（当然还有更复杂的场景，例如，“姓名+证件类型+证件号+手机号+车牌号”等，本次不做详细介绍）。

3、制定去重规则

1）多选一

随机：根据去重规则，随机保留一条数据。
优先级：根据去重规则 + 业务逻辑，保留优先需要的一条数据。例如优先保留“是否有房、是否有车”。

2）多合一

将重复数据合并成一条数据，合并规则根据业务逻辑确定。

4、创建测试数据（GaussDB）

客户信息字段主要包含“姓名、性别、出生年月日、证件类型、证件号、来源、是否有车、是否有房、婚姻状态、手机号、……”等信息。

--创建客户信息表

CREATE TABLE customer(

name VARCHAR(20)

,sex INT

,birthday VARCHAR(10)

,ID_type INT

,ID_number VARCHAR(20)

,source VARCHAR(10)

,IS_car INT

,IS_house INT

,marital_status INT

,tel_number VARCHAR(15)

);

--插入测试数据

INSERT INTO customer VALUES('张三','1','1988-01-01','1','61010019880101****','寿险','1','1','1','');

INSERT INTO customer VALUES('张三','1','1988-01-01','1','61010019880101****','车险','1','0','1','');

INSERT INTO customer VALUES('张三','1','1988-01-01','1','61010019880101****','','','','','186****0701');

INSERT INTO customer VALUES('李四','1','1989-01-02','1','61010019890102****','寿险','1','1','1','');

INSERT INTO customer VALUES('李四','1','1989-01-02','1','61010019890102****','车险','1','0','1','');

INSERT INTO customer VALUES('李四','1','1989-01-02','1','61010019890102****','','','','','186****0702');

--查看结果

SELECT * FROM customer;

Tip: 部分为INT类型的字段值取字典表的值，此处省。

5、编写去重方法（GaussDB）

以下示例中不包含过多的数据清洗、数据脱敏、业务逻辑等的处理，这些步骤均建议进行“前置”处理。本次示例重点描述去重的过程。

1）随机保留：根据业务逻辑，随机保留一条记录。

SELECT *

FROM (SELECT *

,ROW_NUMBER() OVER (PARTITION BY name,id_type,id_number ) as row_num

FROM customer)

WHERE row_num = 1;

说明：

ROW_NUMBER(): 从第一行开始，依次为每一行分配一个唯一且连续的编号。
PARTITION BY col1[, col2...]: 指定分区的列，例如去重的键“姓名、证件类型、证件号码”。
WHERE row_num = 1:取ROW_NUMBER()生成的编号1。

2）按优先级保留：根据业务逻辑，优先保留有手机号的一条记录，如果有多条记录含有手机号或有没有手机号，则在此基础上随机保留。

--保留含有手机号的记录行

SELECT t.*

FROM (SELECT *

,ROW_NUMBER() OVER (PARTITION BY name,id_type,id_number ORDER BY tel_number ASC) as row_num

FROM customer) t

WHERE t.row_num = 1;

说明：

ROW_NUMBER(): 从第一行开始，依次为每一行分配一个唯一且连续的号码。
PARTITION BY col1[, col2...]: 指定分区的列，例如去重的键“姓名、证件类型、证件号码”。
ORDER BY col [asc|desc]: 指定排序的列。升序（ ASC ）排列指只保留第一行，而降序排列（ DESC ）则指保留最后一行。
WHERE row_num = 1:取ROW_NUMBER()生成的编号1。

3）合并保留：根据业务逻辑，合并完整性高、准确性高的字段信息。例如优先将含有手机号的记录行进行补齐，需要补齐的字段有“是否有车、是否有房、婚姻状况”，其取值是来源为“车险”的对应记录。

--合并保留

SELECT t1.name

,t1.sex

,t1.birthday

,t1.id_type

,t1.id_number

,t1.source

,t2.is_car

,t2.is_house

,t2.marital_status

,t1.tel_number

FROM

(SELECT t.*

FROM (SELECT *

,ROW_NUMBER() OVER (PARTITION BY name,id_type,id_number ORDER BY tel_number ASC) as row_num

FROM customer) t

WHERE t.row_num = 1) t1

LEFT JOIN

(SELECT *

FROM customer

WHERE source ='车险' and is_car IS NOT NULL AND is_house IS NOT NULL AND marital_status IS NOT NULL) t2

ON t1.name =t2.name

and t1.id_type=t2.id_type

and t1.id_number=t2.id_number

说明：

t1 表是优先保留含有手机的记录行（去重），并作为主表，t2表是需要补齐的字段来源表。两张表通过“姓名+证件类型+证件号码”进行关联，然后合并需要的信息。

6、附：全字段去重

在数据库应用时，例如，重复误操作、数据翻倍等原因造成的全字段重复，此时也要进行去重。那除了前面介绍的3种方式外，大家还可以使用关键字DISTINCT、UNION 进行去重，但需要注意其数据量及SQL 性能。（大家自行测试）

1） DISTINCT （假设全部有如下三个字段）

2） UNION（假设全部有如下三个字段）

四、数据去重效率提升建议

最好的去重其实是在数据源头就进行“拦截”。当然了，因业务流转也不可能完全避免，但是我们可以提高去重的效率：

选择合适的去重算法：根据数据集的特点和规模，选择适合的去重算法，可以大大提高去重效率。
优化数据存储结构：采用合适的数据存储结构，如哈希表、B+树等，可以加快数据的查找和比较速度，从而提高去重效率。
并行化处理：采用并行化处理的方式，将数据集分成多个子集，分别进行去重处理，最后合并结果，可以大大加快去重速度。
使用索引加速查找：对数据集中的关键字段建立索引，可以加速查找和比较速度，从而提高去重效率。
前置过滤：采用前置过滤的方式，先对数据集进行一些简单的筛选和处理，如去除空值、去除无效字符等，可以减少比较次数，从而提高去重效率。
去重结果缓存（临时表）：对去重结果进行缓存，可以避免重复计算，从而提高去重效率。
不建议重写（备份）：涉及一些分区表，等不建议直接将去重后的结果集重写到生产表，创建临时换成，或进行备份后操作。

五、总结

数据去重涉及到的面非常广，包括重复数据的发现、去重规则的定义、去重的方法与效率、去重的困难与挑战等等。但是，去重原则只有一个，那就是以业务为导向。根据业务需求去定义重复数据、制定去重规则和方案。在GaussDB数据库的使用过程，我们同样会遇到去重的场景。本文从应用背景、案例、去重方案等方面给大家做了介绍，欢迎测试、交流。

如果您发现该资源为电子书等存在侵权的资源或对该资源描述不正确等，可点击“私信”按钮向作者进行反馈；如作者无回复可进行平台仲裁，我们会在第一时间进行处理！

评价 0 条

GaussDB数据库SQL系列-数据去重

二、数据去重应用场景

三、数据去重案例（GaussDB）

1、示例场景描述

2、定义重复数据

3、制定去重规则

4、创建测试数据（GaussDB）

5、编写去重方法（GaussDB）

6、附：全字段去重

四、数据去重效率提升建议

五、总结

相关资源

关注我们