Kuinka käsittelet duplikaatteja komennolla DISTINCT?

Question

Accepted Answer

**`DISTINCT`** poistaa tulosjoukosta duplikaattriit ja palauttaa vain ainutlaatuiset arvot. Sitä käytetään sarakkeen (tai sarakkeiden yhdistelmän) erilaisten arvojen hakemiseen — yleistä uniikkien merkintöjen etsimiseen tai avattavien luetteloiden rakentamiseen.

## DISTINCT — ainutlaatuiset arvot

```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` soveltuu kaikkiin valittuihin sarakkeisiin yhdessä — `DISTINCT country, city` palauttaa ainutlaatuiset *yhdistelmät*, ei uniikkeja maita ja uniikkeja kaupunkeja erikseen.

## DISTINCT ja 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 column)` laskee ainutlaatuiset arvot — hyödyllinen "kuinka monta eri X:ää on olemassa" -kysymyksiin.

## Todellisten duplikaattirivin löytäminen

```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
```

Duplikaattien *löytämiseksi* (eikä vain poistamiseksi), käytä `GROUP BY` + `HAVING COUNT(*) > 1` — tämä tunnistaa, mitkä arvot ovat duplikaatteja ja kuinka monta kertaa.

## 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
```

## Huomautus suorituskyvystä

```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).
```

## Miksi sillä on merkitystä

`DISTINCT` on hyödyllinen, usein tarvittu SQL-ominaisuus **duplikaattien käsittelyyn** — ainutlaatuisten arvojen saaminen on yleinen tarve (uniikit kategoriat avattavaan luetteloon, erilaiset merkinnät, uniikkien kohteiden laskeminen), joten sen ymmärtäminen on käytännöllinen päivittäinen tieto.

`DISTINCT`-komennon toiminnan ymmärtäminen (duplikaattirivin poistaminen, ja että useilla sarakkeilla se palauttaa ainutlaatuiset *yhdistelmät* — yleinen sekaannuksen lähde) ja `COUNT(DISTINCT)`-komennon käyttäminen uniikkien arvojen laskemiseen kattaa tyypilliset käyttötapaukset.

Yhtä arvokas on tietää, kuinka **löytää todelliset duplikaatit** (`GROUP BY` + `HAVING COUNT(*) > 1` -komennoilla) — yleinen ja tärkeä tehtävä tietojen puhdistamisessa ja validoinnissa (duplikaattisähköpostien, tietueiden jne. tunnistaminen).

Suhteen ymmärtäminen `DISTINCT`-komennon ja `GROUP BY`-komennon välillä (usein vastaavat deduplikaatioon, `GROUP BY` on joustavampi) ja **suorituskykyhuomautus** (DISTINCT vaatii vertailua/lajittelua ja voi olla kallista, ja joskus osoittaa JOIN:in aiheuttavia ei-toivottuja duplikaatteja) on myös hyödyllistä.

Koska duplikaattien käsittely — sekä niiden poistaminen (DISTINCT) että löytäminen (GROUP BY/HAVING) — on yleinen käytännöllinen tarve kyselyissä ja tiedon laadun hallinnassa, ja koska `DISTINCT`-komennon käyttäytymisen ymmärtäminen (erityisesti useilla sarakkeilla) ja sen vaihtoehtojen tunteminen estää sekaannusta ja tehottomuutta, duplikaattien käsitteleminen `DISTINCT`-komennolla on hyödyllistä ja usein käytettävää tietoa todellisen tiedon kanssa työskentelyyn, joka usein sisältää tai vaatii ainutlaatuisia arvoja.