子查询去重统计不能直接用distinct+group by，因二者语义冲突：distinct作用于整行去重，而业务常需按某维度（如user_id）去重后再按其他字段（如region）分组统计；硬套会导致逻辑错位或语法报错，正确解法是先用子查询构造不重复统计单元（如row_number()标记首单、exists判断存在性），再外层聚合。
子查询去重统计为什么不能直接用 DISTINCT + GROUP BY
因为 DISTINCT 作用于整行，而你真正想“去重”的往往只是某个业务维度（比如每个用户只算一次购买，不管买了几单），但又要按其他字段（比如地区、月份）分组统计。这时候硬套 GROUP BY 会把同一用户的多次行为拆开，DISTINCT 又无法嵌套在聚合函数里直接控制粒度。
正确解法是：先用子查询把“去重逻辑”提前收口，再对外层做聚合。核心思路不是“去掉重复行”，而是“构造不重复的统计单元”。
- 典型错误：写成
SELECT region, COUNT(DISTINCT user_id) FROM orders GROUP BY region—— 这看似可行，但一旦要加更复杂的条件（比如“只统计首次下单后 7 天内完成支付的用户”），COUNT(DISTINCT ...)就无能为力了 - 子查询能让你在去重前自由加
WHERE、JOIN、ROW_NUMBER()等逻辑，把“谁该被算一次”这件事彻底掌控 - 注意：MySQL 5.7 或更早版本不支持在
FROM子句中对同一张表做非相关子查询引用（即所谓 “You can't specify target table for update in FROM clause” 类错误），此时得用派生表 alias 套一层
用 ROW_NUMBER() 在子查询中标记首次行为
这是最常用也最可控的去重方式，尤其适合“每个用户只计第一次动作”的场景，比如首购用户数、新客留存。
关键点在于：用 ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY create_time) 给每个用户的行为排序，外层只取 rn = 1 的记录，再按需分组统计。
SELECT region, COUNT(*) AS new_user_count
FROM (
SELECT region, user_id,
ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY create_time) AS rn
FROM orders
WHERE status = 'paid' AND create_time >= '2024-01-01'
) t
WHERE rn = 1
GROUP BY region;
-
PARTITION BY user_id确保编号按用户隔离，不会跨用户错乱 -
ORDER BY create_time决定哪条是“第一次”；若要按注册时间判断，就得 JOIN users 表或改用signup_time - 子查询里必须包含外层需要的所有字段（如
region），否则外层无法分组 - 性能提示：给
(user_id, create_time)建联合索引能显著加速窗口函数执行
用 EXISTS 替代 IN 避免 NULL 和重复匹配问题
当去重逻辑是“某用户是否满足某条件”，而非“取哪一条记录”时，EXISTS 比 IN 更安全、语义更清晰，且不会因子查询返回 NULL 导致整行过滤失效。
例如：统计“至少下过一单且订单总金额 ≥ 500 的用户所在城市数”——重点是“存在性”，不是取具体订单。
SELECT city, COUNT(*) AS high_value_user_count
FROM users u
WHERE EXISTS (
SELECT 1 FROM orders o
WHERE o.user_id = u.id
AND o.status = 'paid'
GROUP BY o.user_id
HAVING SUM(o.amount) >= 500
)
GROUP BY city;
-
EXISTS子查询里用GROUP BY + HAVING是关键，它把聚合判断提前到子查询内部，避免外层对用户重复计数 - 不要写成
WHERE u.id IN (SELECT user_id FROM orders GROUP BY ...)：如果子查询结果含NULL，整个IN判断会返回UNKNOWN，导致用户被意外排除 -
SELECT 1是惯例，实际不查数据，只确认存在性；用SELECT *不影响逻辑但可能降低可读性
多层子查询嵌套时如何避免性能雪崩
三层以上子查询不是语法错误，但很容易让优化器放弃使用索引，尤其是子查询里带 GROUP BY 或 ORDER BY 时，可能触发临时表 + 文件排序。
实操中优先检查三点：
- 最内层子查询是否真的需要全部字段？尽量只
SELECT外层依赖的列，减少中间结果集大小 - 是否存在可提前下推的过滤条件？比如外层
WHERE region = 'shanghai'，应尽量移到内层子查询中，避免全量计算后再过滤 - 考虑用 CTE（
WITH）替代嵌套，尤其在 PostgreSQL / SQL Server / MySQL 8.0+ 中，CTE 可读性更好，部分引擎还能做物化优化 - 用
EXPLAIN对照执行计划：关注是否出现Using temporary; Using filesort，以及扫描行数是否远超预期
真正难的不是写出多层子查询，而是判断哪一层该承担“去重”，哪一层该承担“聚合”，中间少一层逻辑错位，结果就偏了。
