SQL Server中两个查询的差异解析：为何Group by结果行数更少？

先把两个查询贴出来方便对比：

查询1：

SELECT distinct(Invalid_Emails), [leads_id] FROM [dbo].[InvalidEmails_stg] ORDER BY LEADS_ID DESC

查询2：

select invalid_emails, max(leads_id) as id from invalidEmails_stg group by invalid_emails having count(*) < 2 order by id desc

核心差异点 #

• 数据筛选逻辑完全不同

  • 查询1的distinct(Invalid_Emails)是个容易混淆的写法——SQL里的DISTINCT是作用在所有选中字段的组合上，不是只针对括号里的Invalid_Emails。它的实际效果是返回Invalid_Emails和leads_id的所有唯一组合，不管某个邮箱在表中出现多少次。哪怕同一个邮箱对应10个不同的leads_id，这10个组合都会被保留。
  • 查询2是按Invalid_Emails分组，然后通过having count(*) < 2只保留那些在表中仅出现过1次的邮箱。每个符合条件的邮箱只会返回一行（因为分组后每组一行），直接排除了所有出现2次及以上的邮箱。

• 返回结果的范围差异

  • 查询1的结果集包含所有邮箱与线索ID的唯一配对，覆盖了所有出现过的邮箱（不管出现次数）。
  • 查询2的结果集只包含“仅出现一次”的邮箱，相当于从查询1的结果里剔除了那些对应多个线索ID的邮箱（以及它们的所有行），所以行数必然更少。

• 字段处理与排序细节

  • 查询1直接返回原始的leads_id，并按这个字段降序排序。
  • 查询2对每个分组取max(leads_id)并命名为id（对于仅出现一次的邮箱来说，这个值和原始leads_id一致，但逻辑上是分组聚合后的结果），然后按这个别名排序。

为什么第二个查询行数更少？ #

简单来说，查询2多了一层关键过滤：having count(*) < 2。这个条件会把所有在表中出现2次及以上的Invalid_Emails全部排除，而查询1并没有这个限制——哪怕一个邮箱对应多个leads_id，只要每个组合唯一就会被保留。所以查询2的结果是查询1结果的一个子集，行数自然更少。

内容的提问来源于stack exchange，提问作者MCO