sql - PostgreSQL 中使用多个条件的复杂重复数据删除

Question

我在 PostgreSQL 数据库中拥有有关学生 MOOC 表现的数据。我正在尝试整理数据，以便可以将其用于营销漏斗类型的分析。我们的想法是观察这些阶段之间的转变:有多少学生报名，有多少学生打开类(class)，有多少学生完成了一半以上的测验，以及有多少学生在所有测验中获得了 >90% 的成绩。

问题是学生多次注册类(class)，因此会被多次统计，从而导致数字错误。

这是一些示例数据

|row | course     | student | percent_progress | percent_points |
|====|============|=========|==================|================|
| 01 | Regression | Ken     | 0.467            | 0.455          |
| 02 | Regression | Ken     | (null)           | (null)         |
| 03 | Regression | Ken     | (null)           | (null)         |
| 04 | Regression | Ryu     | 0.455            | 0.446          |
| 05 | Regression | Ryu     | 0.455            | 0.459          |
| 06 | Clustering | Ryu     | (null)           | (null)         |
| 07 | Regression | Guile   | 0.182            | 0.054          |
| 08 | Regression | Guile   | 0.182            | 0.054          |
|====|============|=========|==================|================|

如果我手动检查这些数据，我会为每个人选择“最佳”类(class)，其中“最佳”被定义为 percent_progress 和 值最高的类(class)>percent_points。如果值为 (null)，则表示他们没有开始类(class)。

以下是我面临的一些问题:

1. Ken 很简单，因为他参加了 3 次 Regression 类(class)，但只尝试了一次该类(class)。保存行 01。
2. Ryu 很复杂，因为他尝试了两次回归，两次都得到了相同的percent_progress，但在 row< 上得到了更多分数 05。这个案例让我很困惑，因为我必须比较两列。不过，我们希望为 Ryu 和 row 06 保留 row 05 因为它来自不同的类:聚类。
3. Guile 是直接重复的。

上表的输出为:

|row | course     | student | percent_progress | percent_points |
|====|============|=========|==================|================|
| 01 | Regression | Ken     | 0.467            | 0.455          |
| 05 | Regression | Ryu     | 0.455            | 0.459          |
| 06 | Clustering | Ryu     | (null)           | (null)         |
| 07 | Regression | Guile   | 0.182            | 0.054          |
|====|============|=========|==================|================|

我需要检查一些不同的条件，但我什至不知道从哪里开始。有人建议使用 rank() 函数，我尝试了它，但我做错了，因为它没有按 course 和 student 分组，然后根据两个性能列进行排名。我也不知道它将如何处理像 Ryu 的情况，他在 percent_progress 上打成平手，而我们必须使用 percent_points。 (还有其他情况具有相反的模式，因此任何仅使用 percent_points 的硬编码规则都不起作用。

非常感谢任何帮助。

Answer 1

您可以使用distinct on:

select distinct on (course, student) t.*
from sample t
order by course, student, percent_progress desc nulls last, percent_points desc nulls last;

如果您更喜欢使用两个值的总和，您可以轻松调整:

order by course, student, (percent_progress + percent_points) desc nulls last