count(distinct column_name) 是统计某列不重复值最直接的方法，它自动忽略 null 值，适用于大多数去重计数场景；对于多列组合的不重复统计，可通过 group by 分组后计数或使用带分隔符的 concat 拼接避免歧义；若需将 null 视为独立值，可结合 coalesce 函数将其替换为唯一标识；在性能方面，为统计列创建索引可大幅提升查询效率，而对超大数据集可采用近似计数或物化视图预聚合；条件性不重复统计则可通过 where 子句筛选或在 count(distinct) 中嵌套 case when 实现多维度分析，这些方法共同构成了 sql 中完整且灵活的不重复值统计解决方案。
COUNT(DISTINCT column_name)
是 SQL 中统计某个字段不重复值最直接、最常用的方法。它能帮你快速得到一个列中有多少种不同的数据项。但实际工作中，不重复值的统计需求远不止这一种简单场景，比如要考虑性能、NULL值，或者统计多列组合的不重复项。
解决方案
在SQL中，统计不重复值最核心、最直接的手段就是使用
COUNT(DISTINCT expression)
。这个函数会计算指定表达式在结果集中出现的不同值的数量。
比如，你有一张
orders
表，想知道有多少不同的客户下了订单，你可以这么写：
SELECT COUNT(DISTINCT customer_id) FROM orders;
这条语句会遍历
orders
表中的
customer_id
列，自动排除重复的
customer_id
，然后给出唯一客户的总数。值得注意的是，
COUNT(DISTINCT)
在统计时会自动忽略
NULL
值，这在大多数情况下正是我们想要的。如果
customer_id
列里有
NULL
，它不会被计入不重复值的总数里。
更复杂一点，如果你想知道某个产品有多少独特的销售渠道，假设
sales
表里有
product_id
和
channel
两个字段，你可以这么做：
SELECT product_id, COUNT(DISTINCT channel) FROM sales GROUP BY product_id;
这会列出每个
product_id
对应的独特销售渠道数量。我个人觉得，
COUNT(DISTINCT)
的简洁性是其最大的优势，它把“去重”和“计数”两步操作合二为一，让SQL语句看起来非常清晰。
除了COUNT(DISTINCT)，还有哪些方法能统计SQL中的不重复值？
当然，
COUNT(DISTINCT)
并非唯一的选择，虽然它通常是最优解。在某些场景下，或者出于对底层逻辑的理解，我们可能会用到其他方式。
一个常见的替代方案是结合
DISTINCT
关键字和子查询：
SELECT COUNT(*) FROM ( SELECT DISTINCT customer_id FROM orders ) AS unique_customers;
这种写法先用
SELECT DISTINCT customer_id
得到一个只包含不重复
customer_id
的临时结果集，然后再对这个结果集进行
COUNT(*)
操作。从逻辑上讲，它和
COUNT(DISTINCT customer_id)
的结果是一样的。我发现，有时候用子查询的方式，能帮助我们更清晰地理解数据处理的步骤，尤其是在调试复杂查询时。
另外，
GROUP BY
子句也能达到类似的目的，虽然它通常用于分组聚合，但其核心就是去重。如果你想列出所有不重复的
customer_id
并同时获取它们的计数，
GROUP BY
是首选：
SELECT customer_id, COUNT(*) FROM orders GROUP BY customer_id;
如果你只是想知道不重复值的总数，那么可以这样：
SELECT COUNT(customer_id) FROM ( SELECT customer_id FROM orders GROUP BY customer_id ) AS grouped_customers;
这种方式先通过
GROUP BY
确保每行都是一个唯一的
customer_id
，然后再计算这些行的数量。在我看来，虽然能达到目的，但相比
COUNT(DISTINCT)
，这些方法在仅仅需要总数时显得有些啰嗦。不过，理解它们的工作原理，能让你在面对更复杂的去重需求时，有更多的思路。
处理SQL不重复值统计时，如何应对NULL值和性能问题？
处理不重复值统计，特别是遇到NULL值和大数据量时的性能，是实际工作中常常会遇到的挑战。
NULL值的处理： 前面提到了，
COUNT(DISTINCT column_name)
默认是会忽略
NULL
值的。这意味着如果你的
customer_id
字段有
NULL
，它们不会被计入不重复客户的总数。这通常是符合预期的行为，因为
NULL
代表“未知”或“不存在”，而非一个具体的值。
但万一你的业务场景要求把
NULL
也当作一个独立的“不重复值”来统计呢？比如，你有一列
feedback_type
，其中有些是具体类型（’bug’, ‘feature’），有些是
NULL
（代表用户未选择）。如果你想知道有多少种不同的反馈类型，并且把
NULL
也算作一种，那么
COUNT(DISTINCT feedback_type)
就无法满足了。
这时候，一个实用的技巧是使用
COALESCE
函数，将
NULL
替换为一个在你的数据中绝不会出现的特殊值，然后再进行
COUNT(DISTINCT)
：
SELECT COUNT(DISTINCT COALESCE(feedback_type, 'NO_FEEDBACK_TYPE_SPECIFIED')) FROM feedbacks;
这样，
'NO_FEEDBACK_TYPE_SPECIFIED'
就会被当作一个普通字符串参与去重计数。选择一个足够独特的字符串很重要，避免与实际数据冲突。
性能问题： 当表的数据量非常大时，
COUNT(DISTINCT)
可能会变得很慢。这背后主要是因为数据库需要对指定列进行排序或使用哈希表来识别和排除重复项。
索引的魔力： 最直接、最有效的优化手段，就是为你要统计的列创建索引。例如：
CREATE INDEX idx_customer_id ON orders (customer_id);
一个合适的索引能极大加速数据库查找和排序唯一值的过程。我亲身经历过，给一个几亿行的表加上索引后，原本几分钟的
COUNT(DISTINCT)
查询瞬间缩短到几秒甚至毫秒级。
大数据量的近似计数： 对于一些对精确度要求不那么高的场景，或者数据量实在太大，精确计数成本过高时，一些数据库提供了近似计数的功能（比如PostgreSQL的HyperLogLog扩展，或者某些数据仓库服务中的近似函数）。这些函数能以极低的资源消耗，给出非常接近真实值的估计。虽然这超出了标准SQL的范畴，但了解有这种技术存在，能拓宽解决问题的思路。
数据预聚合/物化视图： 如果某个不重复值统计是高频操作，并且数据变化不频繁，那么可以考虑创建物化视图（Materialized View）或定期将统计结果存入一张汇总表。这样，后续的查询直接从预计算好的结果中获取，效率自然最高。这就像把一份经常要查的报告提前打印出来，而不是每次都现场计算。
SQL中如何统计多列组合的不重复值或特定条件下的不重复值？
在实际的数据分析中，我们经常需要统计的不是单列的不重复值，而是多列组合的唯一性，或者在特定条件下才进行不重复计数。
统计多列组合的不重复值： 假设你想知道有多少对独特的“客户-产品”购买记录，也就是说，有多少个客户购买了多少种特定的产品组合。简单的
COUNT(DISTINCT customer_id)
无法满足，你需要考虑
customer_id
和
product_id
的组合。
最标准且跨数据库兼容的方法是使用
GROUP BY
子句配合子查询：
SELECT COUNT(*) FROM ( SELECT customer_id, product_id FROM orders GROUP BY customer_id, product_id ) AS unique_customer_product_pairs;
这个查询会先根据
customer_id
和
product_id
进行分组，这样每组代表一个独特的客户-产品组合。然后，外层的
COUNT(*)
统计这些独特组合的数量。我个人觉得，这种写法非常直观地表达了“先找出所有独特的组合，再数它们”的逻辑。
在某些数据库（如PostgreSQL），你也可以尝试
COUNT(DISTINCT (column1, column2))
这种元组形式的
DISTINCT
，但它的兼容性不如
GROUP BY
广泛。
另一种思路是，如果你确定组合后的字符串不会出现歧义，可以使用字符串拼接：
SELECT COUNT(DISTINCT CONCAT(customer_id, '-', product_id)) FROM orders;
这种方法简单粗暴，但要注意
CONCAT
后的字符串是否真的能保证唯一性。例如，
CONCAT('1', '23')
和
CONCAT('12', '3')
都会得到
'123'
，导致误判。所以，通常我会建议在拼接时加入一个分隔符（如
-
或
_
），来避免这种歧义。
特定条件下的不重复值统计： 有时候，我们只关心满足特定条件的不重复值。例如，只想统计“活跃用户”中的不重复
user_id
，或者“2023年”的不重复
product_id
。
最直接的方法是结合
WHERE
子句：
SELECT COUNT(DISTINCT user_id) FROM users WHERE status = 'active';
这会先筛选出所有
status
为 ‘active’ 的用户，然后对这些用户进行
user_id
的去重计数。这种方式非常清晰，也是最常用的。
更灵活一点，如果你想在一个查询中同时统计多个条件下的不重复值，或者在
COUNT(DISTINCT)
内部应用条件，可以使用
CASE WHEN
表达式：
SELECT COUNT(DISTINCT CASE WHEN order_date BETWEEN '2023-01-01' AND '2023-01-31' THEN customer_id END) AS distinct_customers_jan_2023, COUNT(DISTINCT CASE WHEN order_amount > 1000 THEN customer_id END) AS distinct_high_value_customers FROM orders;
这里，
CASE WHEN
会根据条件返回
customer_id
，不满足条件的则返回
NULL
。由于
COUNT(DISTINCT)
会自动忽略
NULL
，这样就能实现条件性的不重复计数。这种技巧非常强大，能让你在一次查询中完成多维度、多条件的统计，减少数据库的扫描次数，提升效率。我经常用这种方式来生成一些聚合报告，效果很好。
评论（已关闭）
评论已关闭