Eliminar duplicados en una tabla con SQL

Aquí os traigo unas cuantas versiones de como eliminar duplicados en una tabla con SQL. Me ha parecido interesante crear este blog porque en Internet hay muchas maneras, pero yo he desarrollado otra, que puede que no sea la más eficiente, pero desde luego creo que es la más rápida y fácil de implementar.

Los datos de ejemplo

Primero vamos a suponer una tabla en la que tenemos un montón de registros en los que todas las columnas tienen el mismo dato, menos una, o varias. Por lo que necesitamos eliminar todos los registros que tengan exactamente los mismos datos, o, como es mi caso, necesitamos solo un registro o una fila por cada columna que nos interesa no este duplicada.

En el ejemplo que os propongo es el siguiente. Tenemos una tabla que almacena códigos postales y transportistas, con el precio para cada código postal. El error en la tabla, se supone, cuando tenemos el mismo código postal en un mismo transportista con diferente precio.

Solución 1: la que he pensado yo

En mi caso me interesa seleccionar el precio más elevado y eliminar todas las demás filas que no necesito. Para ello hice una consulta seleccionando los campos que necesitaba y obteniendo el máximo valor de la columna precio. Luego con esta consulta almacenada en elimine de la tabla original todos los elementos que todas las columnas eran igual menos la del precio dentro de la otra consulta. Aquí el código:

with duplicados (PostCode,IdCourier, price) 
				as (SELECT DISTINCT PostCode, IdCourier, max(price)
					FROM   couriers_run
					group by PostCode, IdCourier, price)
delete couriers_run 
from duplicados 
where couriers_run.price <> duplicados.price 
	and couriers_run.PostCode = duplicados.PostCode
	and couriers_run.IdCourier = duplicados.IdCourier

Solución 2: la recomendada por Microsoft

Nuestro querido Microsoft nos recomienda crear una tabla temporal donde almacenar los duplicados, para luego eliminar de la tabla los elementos que están contenidos en la temporal, para luego eliminar la tabla temporal. Desde mi punto de vista, escribes más código, pero básicamente es lo mismo que hemos hecho antes. El código es:

   SELECT DISTINCT *      INTO duplicate_table
      FROM original_table
      GROUP BY key_value
      HAVING COUNT(key_value) > 1

   DELETE original_table
      WHERE key_value
      IN (SELECT key_value
             FROM duplicate_table)

   INSERT original_table
      SELECT *
         FROM duplicate_table

     DROP TABLE duplicate_table

Solución 3:  desde stackoverflow

En stackoverflow hay varios métodos también pero uno de los que más me gustó, por no tener que estar creando tablas temporales, es este que os dejo copio aquí. El autor es Juan Ruiz de Castilla.

DELETE A
FROM MyTable A 
INNER JOIN 
(
        SELECT ROW_NUMBER()OVER(PARTITION BY a.col1,
        a.Col2
        ORDER BY a.Col1,a.Col2)AS POS,
        a.rowID,
        a.Col3
        FROM MyTable A
        JOIN 
        (
            Select 
            Col1,
            Col2,
            COUNT(*) AS CONTADOR
            from MyTable 
            group by Col1,
            Col2
            HAVING COUNT(*) > 1
        ) TB
        ON A.col1 = TB.col1
        AND A.col2 = TB.col2
) TB_2
ON
a.ROWID = tb_2.ROWID 
and tb_2.pos > 1

Solución 4: por último lugar

Que incluya en el último lugar este otro método no quiere decir que sea el peor, todo lo contrario, me gustó mucho, pero realmente lo encontré el último y sencillamente estoy siguiendo, más o menos, el orden de cuando fui encontrando la información. Es más el autor de este método, Heliberto Arias, en su blog, también nos propone otro. En este caso también podemos realizar la eliminación sin necesidad de crear tablas temporales.

DELETE FROM dbo.post_history
    WHERE post_history_id NOT IN(
                        SELECT PH.post_history_id
                        FROM(
                            SELECT PH.title

                                FROM dbo.post_history AS PH

                                GROUP BY PH.title) Titles
                            CROSS APPLY
                            (
                                SELECT TOP(1)

                                    PH.post_history_id

                                FROM dbo.post_history AS PH

                                WHERE PH.title = Titles.title

                                ORDER BY PH.created_date ASC
                            ) PH
                    );

Conclusiones

Aunque realmente no he cambiado las consultas que provienen de otras fuentes para comparar el número de lineas escritas con respecto de mi solución, creo que con mi solución se escriben menos líneas y es igual de eficiente. Espero que les guste esta información. Como siempre en los enlaces podrás encontrar las fuentes originales, reconociendo a los autores y sus fuentes.

Happy codding