PostgreSQL 中使用多个条件的复杂重复数据删除

Question

我有 PostgreSQL 数据库中关于学生 MOOC 表现的数据。我正在尝试处理数据，以便可以在营销漏斗类型分析中使用它。我们的想法是观察这些阶段之间的过渡：有多少学生注册，有多少人开设课程，有多少人参加了超过一半的测验，有多少人的所有测验都获得了 90% 以上的分数。

问题是学生多次注册课程，所以他们被多次计算，这使得数字错误。

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          |
|====|============|=========|==================|================|

如果我要手动查看这些数据，我会为每个人选择“最佳”课程，其中“最佳”定义为 percent_progress 和 percent_points 的值最高的课程。如果值为(null)，则表示他们没有开始课程。

以下是我面临的一些问题：

1. Ken 很简单，因为他注册了 Regression 3 次，但只尝试了一次。保存row01。
2. Ryu 很复杂，因为他尝试了两次Regression，两次都得到了相同的percent_progress，但在row05 上得到了更多的分数。这种情况让我很失望，因为我必须比较 both 列。尽管如此，我们希望为 Ryu 保留 row 05 和 row 06，因为它来自不同的类：Clustering。
3. Guile 是直接重复的。

上表的输出将是：

|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          |
|====|============|=========|==================|================|

我需要检查几个不同的条件，我什至不知道从哪里开始。有人推荐使用rank()函数，我试了一下，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's 这样的情况，他与percent_progress 打成平手，而我们不得不使用percent_points。 （还有其他情况相反的模式，所以任何硬编码规则说只使用percent_points 都行不通。

非常感谢任何帮助。

Answer 1

你可以使用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;

如果您更喜欢使用这两个值的总和，您可以轻松地进行调整：

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