Nano Hash - криптовалюты, майнинг, программирование

Удаление дубликатов во всех полях, кроме одного, из таблицы в Redshift

У меня есть массивная таблица с более чем 1,3 млрд записей. Эта таблица основана на данных уровня веб-событий. Он имеет уникальный ключ в mongo_id. В таблице много повторяющихся записей; но для этих повторяющихся записей mongo_id все еще отличается. Другими словами, есть повторяющиеся записи, в которых, кроме поля mongo_id, дублируется все остальное. Я хотел бы удалить эти записи из таблицы.

Если бы все поля в таблице были дублированы, я мог бы использовать что-то вроде этого, чтобы удалить дубликаты:

create table table_name_new as select distinct * from table_name;
alter table table_name rename to table_name_old;
alter table table_name_new rename to table_name;
drop table table_name_old;

Но так как у меня дублируются записи во всех полях, кроме mongo_id, я не знаю, как выявить и удалить дубликаты.

Любая помощь в этом вопросе будет принята с благодарностью.

sql amazon-redshift
22.03.2021

Ответы:


1

Я бы предложил воссоздать таблицу:

create table new_t as 
    select t.*
    from (select <all other columns>,
                 row_number() over (partition by <all other columns> order by mongo_id) as seqnum
          from t
         ) t
    where seqnum = 1;

Вы можете обрезать существующую таблицу, а затем скопировать в нее эти результаты, если вам нужно вернуть данные на место.

Удаление большого количества строк в таблице может быть намного дороже, чем использование запроса и сохранение результатов.

22.03.2021
  • Спасибо большое. Я попробую это и доложу. 22.03.2021
    • Новые материалы
    Кластеризация: более глубокий взгляд
    Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
    Как написать эффективное резюме
    Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
    Частный метод Python: улучшение инкапсуляции и безопасности
    Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
    Как я автоматизирую тестирование с помощью Jest
    Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
    Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
    Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
    Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
    В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
    Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
    В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..