Выберите первую строку в каждой группе GROUP BY?

Как следует из названия, я хотел бы выбрать первую строку каждого набора строк, сгруппированных с помощью GROUP BY.

В частности, если у меня есть таблица purchases, которая выглядит так:

SELECT * FROM purchases;

Мой вывод:

id | customer | total
---+----------+------
 1 | Joe      | 5
 2 | Sally    | 3
 3 | Joe      | 2
 4 | Sally    | 1

Я хотел бы запросить id самой большой покупки (total), сделанной каждым customer. Что-то вроде этого:

SELECT FIRST(id), customer, FIRST(total)
FROM  purchases
GROUP BY customer
ORDER BY total DESC;

Ожидаемый результат:

FIRST(id) | customer | FIRST(total)
----------+----------+-------------
        1 | Joe      | 5
        2 | Sally    | 3

Ответ 1

В Oracle 9.2+ (а не 8i +, как изначально указано), SQL Server 2005+, PostgreSQL 8.4+, DB2, Firebird 3.0+, Teradata, Sybase, Vertica:

WITH summary AS (
    SELECT p.id, 
           p.customer, 
           p.total, 
           ROW_NUMBER() OVER(PARTITION BY p.customer 
                                 ORDER BY p.total DESC) AS rk
      FROM PURCHASES p)
SELECT s.*
  FROM summary s
 WHERE s.rk = 1

Поддерживается любой базой данных:

Но вам нужно добавить логику для разрыва связей:

  SELECT MIN(x.id),  -- change to MAX if you want the highest
         x.customer, 
         x.total
    FROM PURCHASES x
    JOIN (SELECT p.customer,
                 MAX(total) AS max_total
            FROM PURCHASES p
        GROUP BY p.customer) y ON y.customer = x.customer
                              AND y.max_total = x.total
GROUP BY x.customer, x.total

Ответ 2

В PostgreSQL это обычно проще и быстрее (подробнее об оптимизации производительности ниже):

SELECT DISTINCT ON (customer)
       id, customer, total
FROM   purchases
ORDER  BY customer, total DESC, id;

Или короче (если не так ясно) с порядковыми номерами выходных столбцов:

SELECT DISTINCT ON (2)
       id, customer, total
FROM   purchases
ORDER  BY 2, 3 DESC, 1;

Если total может иметь значение NULL (не повредит в любом случае, но вы захотите сопоставить существующие индексы):

...
ORDER  BY customer, total DESC NULLS LAST, id;

Основные моменты

  • DISTINCT ON является расширением стандарта PostgreSQL (где определен только DISTINCT во всем списке SELECT).

  • Укажите любое количество выражений в предложении DISTINCT ON, объединенное значение строки определяет дубликаты. Руководство:

    Очевидно, что две строки считаются различными, если они отличаются по крайней мере значение одного столбца. Нулевые значения считаются равными в этом сравнении.

    Смелый акцент мой.

  • DISTINCT ON можно комбинировать с ORDER BY. Ведущие выражения должны соответствовать ведущим выражениям DISTINCT ON в том же порядке. Вы можете добавить дополнительные выражения в ORDER BY, чтобы выбрать определенную строку из каждой группы пиров. Я добавил id как последний элемент для разрыва связей:

    "Выберите строку с наименьшим id из каждой группы, разделяющим самый высокий total."

    Чтобы упорядочить результаты способом, который не согласуется с порядком сортировки, определяющим первое для каждой группы, вы можете вкладывать вышеуказанный запрос во внешний запрос с другим ORDER BY. Как:

  • Если total может иметь значение NULL, вам, скорее всего, понадобится строка с наибольшим ненулевым значением. Добавьте NULLS LAST как показано. Подробности:

  • Список SELECT никоим образом не ограничен выражениями в DISTINCT ON или ORDER BY. (Не требуется в простом случае выше):

    • Вам не нужно включать какие-либо выражения в DISTINCT ON или ORDER BY.

    • Вы можете включить любое другое выражение в список SELECT. Это полезно для замены гораздо более сложных запросов подзапросами и агрегатными/оконными функциями.

  • Я тестировал с Postgres версии 8.3 - 12. Но эта функция была там, по крайней мере, начиная с версии 7.1, так что в основном всегда.

Индекс

Идеальным индексом для вышеуказанного запроса будет многостолбцовый индекс, охватывающий все три столбца в соответствующей последовательности и с соответствующим порядком сортировки:

CREATE INDEX purchases_3c_idx ON purchases (customer, total DESC, id);

Может быть слишком специализированным. Но используйте его, если производительность чтения для конкретного запроса имеет решающее значение. Если в запросе указано DESC NULLS LAST, используйте его в индексе, чтобы порядок сортировки соответствовал и индекс был применим.

Эффективность/Оптимизация производительности

Взвесьте стоимость и выгоду перед созданием индивидуальных индексов для каждого запроса. Потенциал указанного индекса во многом зависит от распределения данных.

Индекс используется, потому что он предоставляет предварительно отсортированные данные. В Postgres 9.2 или более поздней версии для запроса также может быть полезно сканирование только индекса, если индекс меньше базовой таблицы. Тем не менее, индекс должен быть отсканирован полностью.

Benchmark

У меня был простой тест, который уже устарел. Я заменил его на подробный тест в этом отдельном ответе.

Ответ 3

Benchmark

Тестирование наиболее интересных кандидатов с Postgres 9.4 и 9.5 с наполовину реалистичной таблицей 200k строк в purchases и 10k различных customer_id (в среднем 20 строк на клиента).

Для Postgres 9.5 я провел 2-й тест с 86446 различными клиентами. См. ниже (в среднем 2,3 строки на одного клиента).

Настройка

Главный стол

CREATE TABLE purchases (
  id          serial
, customer_id int  -- REFERENCES customer
, total       int  -- could be amount of money in Cent
, some_column text -- to make the row bigger, more realistic
);

Я использую serial (ограничение PK добавлено ниже) и целое число customer_id, так как это более типичная настройка. Также добавлен some_column, чтобы компенсировать обычно больше столбцов.

Фиктивные данные, PK, index - типичная таблица также содержит несколько мертвых кортежей:

INSERT INTO purchases (customer_id, total, some_column)    -- insert 200k rows
SELECT (random() * 10000)::int             AS customer_id  -- 10k customers
     , (random() * random() * 100000)::int AS total     
     , 'note: ' || repeat('x', (random()^2 * random() * random() * 500)::int)
FROM   generate_series(1,200000) g;

ALTER TABLE purchases ADD CONSTRAINT purchases_id_pkey PRIMARY KEY (id);

DELETE FROM purchases WHERE random() > 0.9; -- some dead rows

INSERT INTO purchases (customer_id, total, some_column)
SELECT (random() * 10000)::int             AS customer_id  -- 10k customers
     , (random() * random() * 100000)::int AS total     
     , 'note: ' || repeat('x', (random()^2 * random() * random() * 500)::int)
FROM   generate_series(1,20000) g;  -- add 20k to make it ~ 200k

CREATE INDEX purchases_3c_idx ON purchases (customer_id, total DESC, id);

VACUUM ANALYZE purchases;
Таблица

customer - для улучшенного запроса

CREATE TABLE customer AS
SELECT customer_id, 'customer_' || customer_id AS customer
FROM   purchases
GROUP  BY 1
ORDER  BY 1;

ALTER TABLE customer ADD CONSTRAINT customer_customer_id_pkey PRIMARY KEY (customer_id);

VACUUM ANALYZE customer;

Во втором втором тесте для 9.5 я использовал ту же настройку, но с random() * 100000, чтобы сгенерировать customer_id, чтобы получить только несколько строк на customer_id.

Размеры объекта для стола purchases

Сгенерировано с помощью этого запроса.

               what                | bytes/ct | bytes_pretty | bytes_per_row
-----------------------------------+----------+--------------+---------------
 core_relation_size                | 20496384 | 20 MB        |           102
 visibility_map                    |        0 | 0 bytes      |             0
 free_space_map                    |    24576 | 24 kB        |             0
 table_size_incl_toast             | 20529152 | 20 MB        |           102
 indexes_size                      | 10977280 | 10 MB        |            54
 total_size_incl_toast_and_indexes | 31506432 | 30 MB        |           157
 live_rows_in_text_representation  | 13729802 | 13 MB        |            68
 ------------------------------    |          |              |
 row_count                         |   200045 |              |
 live_tuples                       |   200045 |              |
 dead_tuples                       |    19955 |              |

Запросы

1. row_number() в CTE, (см. Другой ответ)

WITH cte AS (
   SELECT id, customer_id, total
        , row_number() OVER(PARTITION BY customer_id ORDER BY total DESC) AS rn
   FROM   purchases
   )
SELECT id, customer_id, total
FROM   cte
WHERE  rn = 1;

2. row_number() в подзапросе (моя оптимизация)

SELECT id, customer_id, total
FROM   (
   SELECT id, customer_id, total
        , row_number() OVER(PARTITION BY customer_id ORDER BY total DESC) AS rn
   FROM   purchases
   ) sub
WHERE  rn = 1;

3. DISTINCT ON (см. Другой ответ)

SELECT DISTINCT ON (customer_id)
       id, customer_id, total
FROM   purchases
ORDER  BY customer_id, total DESC, id;

4. rCTE с подзапросом LATERAL (см. здесь)

WITH RECURSIVE cte AS (
   (  -- parentheses required
   SELECT id, customer_id, total
   FROM   purchases
   ORDER  BY customer_id, total DESC
   LIMIT  1
   )
   UNION ALL
   SELECT u.*
   FROM   cte c
   ,      LATERAL (
      SELECT id, customer_id, total
      FROM   purchases
      WHERE  customer_id > c.customer_id  -- lateral reference
      ORDER  BY customer_id, total DESC
      LIMIT  1
      ) u
   )
SELECT id, customer_id, total
FROM   cte
ORDER  BY customer_id;

5. customer таблица с LATERAL (см. Здесь)

SELECT l.*
FROM   customer c
,      LATERAL (
   SELECT id, customer_id, total
   FROM   purchases
   WHERE  customer_id = c.customer_id  -- lateral reference
   ORDER  BY total DESC
   LIMIT  1
   ) l;

6. array_agg() с ORDER BY (см. Другой ответ)

SELECT (array_agg(id ORDER BY total DESC))[1] AS id
     , customer_id
     , max(total) AS total
FROM   purchases
GROUP  BY customer_id;

Результаты

Время выполнения вышеупомянутых запросов с EXPLAIN ANALYZE (и все опции отключены), лучше всего из 5 запусков.

Во всех запросах использовалось сканирование только индекса Index Only Scan на purchases2_3c_idx (среди прочих шагов). Некоторые из них только для меньшего размера индекса, другие более эффективно.

A. Postgres 9.4 с 200 тыс. Строк и ~ 20 на customer_id

1. 273.274 ms  
2. 194.572 ms  
3. 111.067 ms  
4.  92.922 ms  
5.  37.679 ms  -- winner
6. 189.495 ms

B. То же самое с Postgres 9,5

1. 288.006 ms
2. 223.032 ms  
3. 107.074 ms  
4.  78.032 ms  
5.  33.944 ms  -- winner
6. 211.540 ms  

С. То же, что и у B., но с ~ 2,3 строками на customer_id

1. 381.573 ms
2. 311.976 ms
3. 124.074 ms  -- winner
4. 710.631 ms
5. 311.976 ms
6. 421.679 ms

Связанные тесты

Вот новый тест "ogr" с 10M строками и 60k уникальных "клиентов" на Postgres 11.5 (по состоянию на сентябрь 2019 года). Результаты по-прежнему соответствуют тому, что мы видели до сих пор:

Оригинальный (устаревший) тест 2011 года

Я выполнил три теста с PostgreSQL 9.1 для реальной таблицы из 65579 строк и одностолбцовых индексов btree для каждого из трех задействованных столбцов и взял лучшее время выполнения из 5 запусков.
Сравнение первого запроса @OMGPonies (A) с решением выше DISTINCT ON (B):

  1. Выделите всю таблицу, в этом случае получается 5958 строк.

    A: 567.218 ms
    B: 386.673 ms
    
  2. Используйте условие WHERE customer BETWEEN x AND y, в результате чего получается 1000 строк.

    A: 249.136 ms
    B:  55.111 ms
    
  3. Выберите одного клиента с помощью WHERE customer = x.

    A:   0.143 ms
    B:   0.072 ms
    

Тот же тест повторяется с индексом, описанным в другом ответе

CREATE INDEX purchases_3c_idx ON purchases (customer, total DESC, id);

1A: 277.953 ms  
1B: 193.547 ms

2A: 249.796 ms -- special index not used  
2B:  28.679 ms

3A:   0.120 ms  
3B:   0.048 ms

Ответ 4

Это общая проблема , которая уже имеет хорошо протестированные и высоко оптимизированные решения. Лично я предпочитаю левое решение Билла Карвина (оригинальный пост с множеством других решений).

Обратите внимание, что кучу решений этой распространенной проблемы можно найти в одном из самых официальных источников, руководстве по MySQL ! См. Примеры распространенных запросов :: Строки, удерживающие групповой максимум определенного столбца.

Ответ 5

В Postgres вы можете использовать array_agg следующим образом:

SELECT  customer,
        (array_agg(id ORDER BY total DESC))[1],
        max(total)
FROM purchases
GROUP BY customer

Это даст вам id самой большой покупки каждого клиента.

Некоторые примечания:

  • array_agg является агрегированной функцией, поэтому она работает с GROUP BY.
  • array_agg позволяет указать порядок, охваченный только собой, поэтому он не ограничивает структуру всего запроса. Существует также синтаксис того, как вы сортируете NULL, если вам нужно сделать что-то отличное от стандартного.
  • Как только мы построим массив, мы берем первый элемент. (Массивы Postgres 1-индексируются, а не 0-индексируются).
  • Вы можете использовать array_agg аналогичным образом для своего третьего столбца вывода, но max(total) проще.
  • В отличие от DISTINCT ON, использование array_agg позволяет сохранить ваш GROUP BY, если вы хотите по другим причинам.

Ответ 6

Решение не очень эффективно, как указал Эрвин, из-за наличия SubQs

select * from purchases p1 where total in
(select max(total) from purchases where p1.customer=customer) order by total desc;

Ответ 7

Очень быстрое решение

SELECT a.* 
FROM
    purchases a 
    JOIN ( 
        SELECT customer, min( id ) as id 
        FROM purchases 
        GROUP BY customer 
    ) b USING ( id );

и действительно очень быстро, если таблица индексируется по id:

create index purchases_id on purchases (id);

Ответ 8

Я использую этот путь (только postgresql): https://wiki.postgresql.org/wiki/First/last_%28aggregate%29

-- Create a function that always returns the first non-NULL item
CREATE OR REPLACE FUNCTION public.first_agg ( anyelement, anyelement )
RETURNS anyelement LANGUAGE sql IMMUTABLE STRICT AS $$
        SELECT $1;
$$;

-- And then wrap an aggregate around it
CREATE AGGREGATE public.first (
        sfunc    = public.first_agg,
        basetype = anyelement,
        stype    = anyelement
);

-- Create a function that always returns the last non-NULL item
CREATE OR REPLACE FUNCTION public.last_agg ( anyelement, anyelement )
RETURNS anyelement LANGUAGE sql IMMUTABLE STRICT AS $$
        SELECT $2;
$$;

-- And then wrap an aggregate around it
CREATE AGGREGATE public.last (
        sfunc    = public.last_agg,
        basetype = anyelement,
        stype    = anyelement
);

Затем ваш пример должен работать почти так:

SELECT FIRST(id), customer, FIRST(total)
FROM  purchases
GROUP BY customer
ORDER BY FIRST(total) DESC;

CAVEAT: игнорирует строки NULL


Изменить 1 - вместо этого используйте расширение postgres

Теперь я использую этот способ: http://pgxn.org/dist/first_last_agg/

Для установки на ubuntu 14.04:

apt-get install postgresql-server-dev-9.3 git build-essential -y
git clone git://github.com/wulczer/first_last_agg.git
cd first_last_app
make && sudo make install
psql -c 'create extension first_last_agg'

Это расширение postgres, которое дает вам первую и последнюю функции; очевидно, быстрее, чем выше.


Изменить 2 - Заказ и фильтрация

Если вы используете агрегированные функции (например, эти), вы можете заказывать результаты без необходимости иметь уже заказанные данные:

http://www.postgresql.org/docs/current/static/sql-expressions.html#SYNTAX-AGGREGATES

Таким образом, эквивалентный пример с упорядочением будет выглядеть примерно так:

SELECT first(id order by id), customer, first(total order by id)
  FROM purchases
 GROUP BY customer
 ORDER BY first(total);

Конечно, вы можете заказать и отфильтровать, как вы сочтете нужным в совокупности; это очень мощный синтаксис.

Ответ 9

Запрос:

SELECT purchases.*
FROM purchases
LEFT JOIN purchases as p 
ON 
  p.customer = purchases.customer 
  AND 
  purchases.total < p.total
WHERE p.total IS NULL

КАК РАБОТАЕТ! (я там был)

Мы хотим убедиться, что у нас есть только самая высокая сумма для каждой покупки.


Некоторые теоретические материалы (пропустите эту часть, если вы хотите понять только запрос)

Пусть Total будет функцией T (customer, id), где она возвращает значение, заданное именем и идентификатором Чтобы доказать, что данное общее значение (T (customer, id)) является наивысшим, мы должны доказать, что Мы хотим доказать, что

  • ∀x T (клиент, id) > T (клиент, x) (эта сумма выше, чем все остальные всего для этого клиента)

ИЛИ

  • ¬∃x T (клиент, id) < T (клиент, x) (для высших этот клиент)

Первый подход потребует от нас получить все записи для этого имени, которые мне не нравятся.

Второй нужен умный способ сказать, что не может быть записи выше этой.


Назад к SQL

Если мы вышли из таблицы, имя и общая сумма будут меньше, чем объединенная таблица:

      LEFT JOIN purchases as p 
      ON 
      p.customer = purchases.customer 
      AND 
      purchases.total < p.total

мы следим за тем, чтобы все записи имели другую запись с более высокой суммой для того, чтобы один и тот же пользователь был присоединен:

purchases.id, purchases.customer, purchases.total, p.id, p.customer, p.total
1           , Tom           , 200             , 2   , Tom   , 300
2           , Tom           , 300
3           , Bob           , 400             , 4   , Bob   , 500
4           , Bob           , 500
5           , Alice         , 600             , 6   , Alice   , 700
6           , Alice         , 700

Это поможет нам фильтровать самую высокую общую сумму для каждой покупки без необходимости группировки:

WHERE p.total IS NULL

purchases.id, purchases.name, purchases.total, p.id, p.name, p.total
2           , Tom           , 300
4           , Bob           , 500
6           , Alice         , 700

И этот ответ нам нужен.

Ответ 10

В SQL Server вы можете сделать это:

SELECT *
FROM (
SELECT ROW_NUMBER()
OVER(PARTITION BY customer
ORDER BY total DESC) AS StRank, *
FROM Purchases) n
WHERE StRank = 1

Пояснение: здесь Группировка по производится на основе клиента, а затем заказывается по сумме, затем каждой такой группе присваивается серийный номер как StRank, и мы выбираем первого 1 клиента, чей StRank равен 1

Ответ 11

Используйте функцию ARRAY_AGG для PostgreSQL, U-SQL, IBM DB2 и Google BigQuery SQL:

SELECT customer, (ARRAY_AGG(id ORDER BY total DESC))[1], MAX(total)
FROM purchases
GROUP BY customer

Ответ 12

Принятое решение OMG Ponies "Поддерживается любой базой данных" имеет хорошую скорость от моего теста.

Здесь я предоставляю одно и то же, но более полное и чистое решение любой базы данных. Рассматриваются связи (предположим, что для каждого клиента есть только одна строка, даже несколько записей для максимальной суммы для каждого клиента), а также другие поля покупки (например, purchase_payment_id) будут выбраны для реальных совпадающих строк в таблице закупок.

Поддерживается любой базой данных:

select * from purchase
join (
    select min(id) as id from purchase
    join (
        select customer, max(total) as total from purchase
        group by customer
    ) t1 using (customer, total)
    group by customer
) t2 using (id)
order by customer

Этот запрос является достаточно быстрым, особенно когда в таблице покупки есть составной индекс, например (клиент, всего).

Примечание:

  • t1, t2 - псевдоним подзапроса, который можно удалить в зависимости от базы данных.

  • Caveat: предложение using (...) в настоящее время не поддерживается в MS-SQL и Oracle db этого изменения в январе 2017 года. Вы должны развернуть его самостоятельно, например. on t2.id = purchase.id и т.д. Синтаксис USING работает в SQLite, MySQL и PostgreSQL.

Ответ 13

  • Если вы хотите выбрать любую (по вашему определенному условию) строку из набора агрегированных строк.

  • Если вы хотите использовать еще одну (sum/avg) функцию агрегации в дополнение к max/min. Таким образом, вы не можете использовать ключ с DISTINCT ON

Вы можете использовать следующий подзапрос:

SELECT  
    (  
       SELECT **id** FROM t2   
       WHERE id = ANY ( ARRAY_AGG( tf.id ) ) AND amount = MAX( tf.amount )   
    ) id,  
    name,   
    MAX(amount) ma,  
    SUM( ratio )  
FROM t2  tf  
GROUP BY name

Вы можете заменить amount = MAX( tf.amount ) на любое условие, которое вы хотите, с одним ограничением: этот подзапрос не должен возвращать более одной строки

Но если вы хотите делать такие вещи, вы, вероятно, ищете функции окна

Ответ 14

Для SQl Server наиболее эффективным способом является:

with
ids as ( --condition for split table into groups
    select i from (values (9),(12),(17),(18),(19),(20),(22),(21),(23),(10)) as v(i) 
) 
,src as ( 
    select * from yourTable where  <condition> --use this as filter for other conditions
)
,joined as (
    select tops.* from ids 
    cross apply --it like for each rows
    (
        select top(1) * 
        from src
        where CommodityId = ids.i 
    ) as tops
)
select * from joined

и не забудьте создать кластерный индекс для используемых столбцов