SQL中DISTINCT与COUNT如何统计不重复活跃用户？

使用 SQL 统计不重复用户数时，有个写法几乎每天都能看到有人踩坑——COUNT DISTINCT。很多人想当然地写成 SELECT COUNT DISTINCT user_id FROM table，结果数据库直接报语法错误。先记住一个铁律：COUNT(DISTINCT column) 才是唯一正确写法，DISTINCT 必须作为 COUNT 的参数修饰符，紧贴括号内，且只作用于单个表达式。错误写法如 COUNT DISTINCT user_id 或 COUNT(user_id, DISTINCT) 一律无效。

DISTINCT 必须包裹在 COUNT 里面，不能写成 COUNT DISTINCT

正确写法是 COUNT(DISTINCT user_id)。常见错误现象：

• SELECT COUNT DISTINCT user_id FROM events; → 语法错误（如 PostgreSQL/MySQL 报 syntax error at or near "DISTINCT"）
• SELECT COUNT(user_id, DISTINCT) → 无效函数调用

实操建议：

• 始终用 COUNT(DISTINCT column_name)，哪怕只统计一列。
• 支持多列去重的数据库（如 PostgreSQL）允许 COUNT(DISTINCT user_id, event_type)，但 MySQL 不支持，会报错。
• 如果列可能为 NULL，DISTINCT 自动忽略 NULL 值，不参与计数。

WHERE 条件要放在 COUNT 外面，不能塞进括号里

COUNT(DISTINCT user_id) 只负责去重计数，过滤逻辑必须由 WHERE 或 HA VING 承担。有人误以为可以写成 COUNT(DISTINCT user_id WHERE event_time > '2024-01-01')，这是无效语法（除非用条件聚合，但那是另一回事）。

使用场景：统计「近7天活跃用户」

• 正确：SELECT COUNT(DISTINCT user_id) FROM events WHERE event_time >= CURRENT_DATE - INTERVAL '7 days';
• 错误：SELECT COUNT(DISTINCT user_id WHERE event_time >= ...)（仅 SQLite 支持这种写法，且非标准）

性能影响：加 WHERE 能大幅减少扫描行数，比先 COUNT(DISTINCT) 再过滤高效得多；索引（如 (event_time, user_id)）能明显加速这类查询。

遇到大数据量时，COUNT(DISTINCT) 可能慢或内存溢出

当 user_id 去重后仍有千万级唯一值，COUNT(DISTINCT) 通常需要构建哈希表或排序，容易触发磁盘临时表（MySQL）或内存超限（PostgreSQL 的 work_mem 不足）。

可选应对方式：

• 用近似算法：PostgreSQL 可用 APPROX_COUNT_DISTINCT(user_id)，ClickHouse 用 uniq(user_id)，误差率通常 < 1%。
• 分桶预计算：每天跑一个 INSERT INTO daily_active_users SELECT CURRENT_DATE, COUNT(DISTINCT user_id) FROM events WHERE event_date = CURRENT_DATE;，查时直接 SUM(count)。
• 避免在大宽表上直接跑：先用 WHERE 尽量缩小范围，再 COUNT(DISTINCT)。

注意：不同数据库对 COUNT(DISTINCT) 的底层实现差异很大——MySQL 8.0+ 会自动尝试使用临时哈希表，而旧版只能排序；Spark SQL 默认走 MapReduce 阶段，shuffle 开销高。

GROUP BY 后用 COUNT(DISTINCT) 容易漏掉空组或 NULL 分组

比如按渠道统计活跃用户：SELECT channel, COUNT(DISTINCT user_id) FROM events GROUP BY channel;。如果某渠道数据全为 NULL，该渠道不会出现在结果中（因为 GROUP BY NULL 被合并成一组，但很多引擎直接跳过）。

容易踩的坑：

• channel 为 NULL 时，整行仍参与分组，但结果里可能看不到 NULL 行（取决于数据库默认行为，如 MySQL 5.7 默认显示，PostgreSQL 显示 ）。
• 想补全所有渠道（包括零活跃的），得用维表 LEFT JOIN，不能只靠 GROUP BY。
• 多个字段组合去重时，如 COUNT(DISTINCT user_id, session_id)，MySQL 不支持，必须改写为子查询或用 CONCAT 拼接（但有长度和字符集风险）。

真实业务里，“活跃用户”定义常依赖事件类型（如只算 page_view 或 purchase），漏掉 WHERE event_type IN (...) 是最常被忽略的逻辑点。