Что делает ключевое слово DISTINCT в SQL

Что проверяют

Понимаете ли вы, что DISTINCT относится ко всей выбранной строке, а не к одному столбцу, и умеете ли отличить настоящие дубликаты от тех, которые породили сами. Тестировщику этот вопрос задают вместе с задачей на проверку данных.

Как отвечать

DISTINCT убирает из результата повторяющиеся строки, причём сравниваются все столбцы в select одновременно.

select distinct city, status from users;

Вернутся уникальные пары, а не уникальные города отдельно и статусы отдельно. Это первое, что проверят уточняющим вопросом.

Дальше назовите неочевидное:

• при сравнении строк два NULL считаются одинаковыми и схлопываются, хотя обычное сравнение на равенство с NULL даёт неопределённость;
• уникализация работает после where и до order by, поэтому сортировать можно только по тому, что попало в select;
• count(distinct col) считает уникальные значения и пропускает NULL, а count(*) считает строки;
• то же самое часто выражается через group by без агрегатов, а когда нужна одна строка на ключ с произвольными полями, берут оконную нумерацию, а не DISTINCT.

Для проверочной задачи скажите, что дубликаты сначала объясняют, а потом убирают: обычно они приходят из соединения один ко многим или из повторной загрузки данных.

Где спотыкаются

Думают, что уникализация применяется к первому столбцу. Отсюда удивление, почему выборка distinct user_id, created_at вернула те же строки: время у записей разное, значит каждая пара уникальна.

Второе: лечат DISTINCT симптом. Если соединение размножило строки, уникализация спрячет проблему, а суммы и счётчики в отчёте всё равно останутся неверными. Дефект формулируется как дублирование данных из-за связи, а не как «не хватает distinct».

Третье: забывают про стоимость. Уникализация требует сортировки или хеширования всего результата, и на большой выборке это заметно. А если уникальность обязано обеспечивать ограничение в базе, то дубликаты это баг данных, и хороший тест их ловит, а не прячет.