【Hive】数据去重

实现数据去重有两种方式 ：distinct 和 group by

1.distinct消除重复行

distinct支持单列、多列的去重方式。
单列去重的方式简明易懂，即相同值只保留1个。
多列的去重则是根据指定的去重的列信息来进行，即只有所有指定的列信息都相同，才会被认为是重复的信息。

(1)作用于单列

　　select distinct name from A    //对A表的name去重然后显示

(2)作用于多列

　　select distinct id,name from A   //对A表的id和name去重然后显示

注意，distinct作用于多列的时候只在开头加上即可，并不用每个字段都加上。

　　   distinct必须在开头，在中间是不可以的，会报错。

　　select id,distinct name from A   //错误

(3)配合count使用

　　select count(distinct name) from A  //对A表的不同的name进行计数

2.group by 分组语句

　　select name from A group by name   //跟上述等价,对name分组，相当于去重。

　　  在使用group by的时候，前边一般会有聚合语句，例如sum，一些没有聚合的字段必须要加到group by 后边。

　　 select a,sum(b) from A group by a   //后边必须要有a，否则报错　　

3.区别

其实二者没有什么可比性，但是对于不包含聚集函数的GROUP BY操作来说，和DISTINCT操作是等价的。不过虽然二者的结果是一样的，但是二者的执行计划并不相同。

distinct只是将重复的行从结果中出去；

group by是按指定的列分组，一般这时在select中会用到聚合函数。

distinct是把不同的记录显示出来。

group by是在查询时先把纪录按照类别分出来再查询。

group by 必须在查询结果中包含一个聚集函数，而distinct不用。