Quel est le moyen le plus rapide de calculer le nombre de lignes dupliquées présentes dans Redshift Table

Question

Il existe des millions d'enregistrements dans le tableau. Et j'ai besoin de calculer le nombre de lignes dupliquées présentes dans ma table dans Redshift. Je pourrais y parvenir en utilisant la requête ci-dessous,

select 
    sum(cnt) from (select <primary_key> 
    , count(*)-1 as cnt 
from 
    table_name 
group by 
    <primary_key> having count(*)>1 

1. Y at-il un moyen plus rapide pour atteindre le même?
2. Existe-t-il un moyen de réaliser ceci dans une requête unique sans utiliser la sous-requête?

Merci.

Answer 1

Vous pouvez essayer la requête suivante:

SELECT Column_name, COUNT(*) Count_Duplicate 
FROM Table_name 
GROUP BY Column_name 
HAVING COUNT(*) > 1 
ORDER BY COUNT(*) DESC 

Answer 2

Si les critères de duplication est que répéter une clé primaire,

SELECT count(1)-count(distinct <primary_key>) FROM your_table

fonctionnerait, sauf si vous avez spécifié votre colonne comme primaire clé dans Redshift (elle n'applique pas de contrainte mais si vous marquez une colonne comme clé primaire count(distinct <primary_key>) renverra la même chose que count(1)même s'il y a une valeur en double es dans cette colonne