Jak zpracováváte duplikáty pomocí DISTINCT?

Question

Accepted Answer

**`DISTINCT`** odstraňuje duplicitní řádky z výsledku a vrací pouze jedinečné hodnoty. Používá se k získání distinctních hodnot sloupce (nebo kombinace sloupců) — běžně pro hledání unikátních záznamů nebo vytváření seznamů v rozbalovacích menu.

## DISTINCT — jedinečné hodnoty

```sql
-- get the unique countries (no duplicates)
SELECT DISTINCT country FROM users;
-- → each country appears once, even if many users share it

-- DISTINCT on multiple columns → unique COMBINATIONS
SELECT DISTINCT country, city FROM users;
-- → each unique (country, city) pair appears once
```

`DISTINCT` se aplikuje na všechny vybrané sloupce dohromady — `DISTINCT country, city` vrací jedinečné *kombinace*, nikoli jedinečné země a jedinečná města zvlášť.

## DISTINCT s COUNT

```sql
-- count how many UNIQUE countries there are
SELECT COUNT(DISTINCT country) FROM users;

-- vs COUNT(*) which counts all rows (with duplicates)
SELECT COUNT(*) FROM users;
```

`COUNT(DISTINCT sloupec)` počítá jedinečné hodnoty — užitečné pro "kolik různých X je?"

## Hledání skutečných duplikátních řádků

```sql
-- find values that appear MORE THAN ONCE (duplicates)
SELECT email, COUNT(*) AS count
FROM users
GROUP BY email
HAVING COUNT(*) > 1;          -- groups with more than one row = duplicates
```

Pro *hledání* duplikátů (nikoli pouze jejich odstranění) použijte `GROUP BY` + `HAVING COUNT(*) > 1` — tím identifikujete, které hodnoty jsou duplikovány a kolikrát.

## DISTINCT vs GROUP BY

```sql
-- these are often equivalent for getting unique values:
SELECT DISTINCT country FROM users;
SELECT country FROM users GROUP BY country;
-- GROUP BY is more flexible (can add aggregates); DISTINCT is simpler for pure deduplication
```

## Poznámka k výkonu

```text
DISTINCT requires the database to compare/sort rows to find uniques → can be costly
on large datasets. Often a sign you might restructure the query (e.g. a JOIN producing
duplicates that DISTINCT then removes — consider whether the JOIN is the issue).
```

## Proč na tom záleží

`DISTINCT` je užitečná, běžně potřebná SQL funkce pro **zpracování duplikátů** — získání jedinečných hodnot je časté (jedinečné kategorie pro rozbalovací menu, distinct záznamy, počítání unikátních položek), takže jejímu porozumění je praktické denní znalostí.

Pochopení, jak `DISTINCT` funguje (odstraňuje duplikátní řádky a že na více sloupcích vrací jedinečné *kombinace* — běžný zdroj zmatenosti) a jak používat `COUNT(DISTINCT)` pro počítání jedinečných hodnot, pokrývá typické případy použití.

Rovněž cenné je vědět, jak **najít skutečné duplikáty** (pomocí `GROUP BY` + `HAVING COUNT(*) > 1`) — běžný, důležitý úkol pro čištění dat a validaci (identifikace duplikátních emailů, záznamů atd.).

Pochopení vztahu mezi `DISTINCT` a `GROUP BY` (často ekvivalentní pro deduplikaci, přičemž GROUP BY je flexibilnější) a **poznámka k výkonu** (DISTINCT vyžaduje porovnávání/řazení a může být nákladný a někdy signalizuje JOIN produkující nežádoucí duplikáty) je také užitečné.

Protože zpracování duplikátů — jejich odstranění (DISTINCT) i hledání (GROUP BY/HAVING) — je běžná praktická potřeba při dotazování a práci na kvalitě dat a protože pochopení chování `DISTINCT` (zejména na více sloupcích) a jeho alternativ zabraňuje zmatení a neefektivitě, vědět, jak zpracovávat duplikáty pomocí `DISTINCT`, je užitečná, často používaná znalost pro práci se skutečnými daty, která často obsahují nebo vyžadují jedinečné hodnoty.