Hogyan kezeled a duplikátumokat a DISTINCT segítségével?

Question

Accepted Answer

**`DISTINCT`** eltávolítja a duplikált sorokat az eredményből, és csak az egyedi értékeket adja vissza. Azt szokták használni egy oszlop (vagy oszlopok kombinációja) egyedi értékeinek megtalálásához — gyakran az egyedi bejegyzések keresésére vagy legördülő listák összeállítására.

## DISTINCT — egyedi értékek

```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
```

A `DISTINCT` az összes kiválasztott oszlopra együttesen vonatkozik — a `DISTINCT country, city` egyedi *kombinációkat* ad vissza, nem külön-külön az egyedi országokat és városokat.

## DISTINCT a COUNT-tal

```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;
```

A `COUNT(DISTINCT column)` az egyedi értékeket számolja — hasznos a "hány különböző X van?" kérdésre.

## Tényleges duplikált sorok megtalálása

```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
```

A duplikátumok *megtalálásához* (nem csak az eltávolításukhoz) használj `GROUP BY` + `HAVING COUNT(*) > 1` — ez azonosítja, mely értékek duplikáltak és hányszor fordulnak elő.

## 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
```

## Egy megjegyzés a teljesítményre

```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).
```

## Miért fontos

A `DISTINCT` egy hasznos, általánosan szükséges SQL funkció a **duplikátumok kezelésére** — az egyedi értékek lekérése gyakori igény (egyedi kategóriák a legördülő listához, különböző bejegyzések, egyedi elemek számlálása), tehát az értelmezése gyakorlati mindennapi tudás.

A `DISTINCT` működésének megértése (duplikált sorok eltávolítása, és hogy több oszlop esetén egyedi *kombinációkat* ad vissza — egy gyakori félreértés forrása) és a `COUNT(DISTINCT)` használata az egyedi értékek számlálásához lefedi a tipikus felhasználási eseteket.

Egyenlő mértékben értékes a **tényleges duplikátumok megtalálásának** módja (`GROUP BY` + `HAVING COUNT(*) > 1` használatával) — egy gyakori, fontos feladat az adattisztításban és validációban (duplikált e-mailek, rekordok azonosítása stb.).

A `DISTINCT` és a `GROUP BY` közötti kapcsolat megértése (gyakran egyenértékűek a duplikátumok eltávolítására, a GROUP BY rugalmasabb) és a **teljesítményre vonatkozó megjegyzés** (a DISTINCT összehasonlítást/rendezést igényel és költséges lehet, és néha azt jelzi, hogy a JOIN nem kívánt duplikátumokat hoz létre) szintén hasznos.

Mivel a duplikátumok kezelése — mind az eltávolítás (DISTINCT), mind a megtalálás (GROUP BY/HAVING) — gyakori gyakorlati igény a lekérdezésekben és az adatminőség-munka során, és mivel a `DISTINCT` működésének megértése (különösen több oszlop esetén) és annak alternatívái megakadályozhatják a félreértéseket és a nem hatékonyságot, a duplikátumok DISTINCT-vel való kezelésének módja hasznos, gyakran alkalmazott tudás a valós adatokkal való munkavégzéshez, amelyek gyakran tartalmaznak vagy igényelnek egyedi értékeket.