为何分欺诈状态统计的唯一Call_ID总数与联合查询结果不符？

这个差异的核心原因很明确：同一个Call_ID可能对应多条不同Fraud_Status的记录，你分状态统计时，会把跨多个状态的Call_ID重复计入不同分组，但联合查询里每个Call_ID只会被统计一次。

举个实际例子：假设某个Call_ID在数据里同时存在Fraud_Status=''和Fraud_Status='Genuine'的记录，且两条都满足时间和Risk_Score的筛选条件。那它会在第一个空状态查询、第三个Genuine状态查询里各被算一次，但在联合查询里只会被统计一次。这类跨状态的Call_ID越多，总和与联合查询结果的差距就越大。

验证猜想的查询 #

你可以运行下面的SQL，找出那些在符合条件的记录里对应多个不同Fraud_Status的Call_ID：

SELECT Call_ID, COUNT(DISTINCT Fraud_Status) AS distinct_status_count
FROM DATA
WHERE EntryTimestamp < '2018-04-20 18:00:00.000' AND CAST(Risk_Score AS FLOAT) < 80
GROUP BY Call_ID
HAVING COUNT(DISTINCT Fraud_Status) > 1

这个查询返回的记录数，应该正好等于你的总和与联合查询结果的差值（2,738,582 - 2,733,076 = 5,506），这些就是被重复计算的Call_ID。

两种正确的统计方式 #

1. 保留重叠统计（匹配原需求字面逻辑） #

如果你的需求就是统计每个Fraud_Status下，至少有一条该状态记录且符合条件的唯一Call_ID数量，那你原来的分状态查询是正确的，但要明确：这些Call_ID是存在重叠的——同一个Call_ID可能出现在多个状态的统计结果里。

2. 每个Call_ID仅归属一个状态（避免重复计算） #

如果你的需求是让每个Call_ID只被统计到一个Fraud_Status分组里（比如按业务优先级归类），那你需要先给每个Call_ID确定唯一的状态，再统计。比如我们可以给Fraud_Status设定优先级（比如Fraud > Genuine > Inconclusive > Unknown > 空字符串），然后取每个Call_ID的最高优先级状态：

WITH ranked_calls AS (
    SELECT 
        Call_ID,
        Fraud_Status,
        -- 给不同状态设定优先级，数字越小优先级越高
        ROW_NUMBER() OVER (
            PARTITION BY Call_ID 
            ORDER BY 
                CASE Fraud_Status 
                    WHEN 'Fraud' THEN 1
                    WHEN 'Genuine' THEN 2
                    WHEN 'Inconclusive' THEN 3
                    WHEN 'Unknown' THEN 4
                    ELSE 5
                END
        ) AS status_rank
    FROM DATA
    WHERE EntryTimestamp < '2018-04-20 18:00:00.000' AND CAST(Risk_Score AS FLOAT) < 80
)
SELECT 
    Fraud_Status,
    COUNT(Call_ID) AS unique_call_count
FROM ranked_calls
WHERE status_rank = 1 -- 只保留每个Call_ID的最高优先级状态
GROUP BY Fraud_Status
ORDER BY unique_call_count DESC;

这个查询的结果总和会等于联合查询的2,733,076，因为每个Call_ID只被统计一次。

内容的提问来源于stack exchange，提问作者Brandon