SQLでCOUNT関数を使って重複データの数をカウントする方法

データベース管理では、重複データの検出と対策が重要な課題です。特に、データの一貫性と正確性を保つためには、重複データを適切に扱う必要があります。SQLのCOUNT関数は、重複データのカウントに役立つ強力なツールです。本記事では、SQLを使用して重複データを検出し、その数をカウントする方法について詳しく解説します。

COUNT関数の基本

COUNT関数は、SQLでデータの行数をカウントするために使用されます。この関数は、特定の条件に一致する行の数を返します。基本的な使用方法は以下の通りです。

SELECT COUNT(*) FROM テーブル名;

このクエリは、指定したテーブルのすべての行数をカウントします。特定の列に対してCOUNT関数を使用する場合は、次のように記述します。

SELECT COUNT(列名) FROM テーブル名;

このクエリは、指定した列のNULLでない値の数をカウントします。次のステップでは、重複データの検出方法について解説します。

重複データの検出

重複データを検出するには、特定の列や複数の列の値が重複している行を特定します。このためには、GROUP BY句を使用してグループ化し、HAVING句を使用して重複しているグループをフィルタリングします。

例えば、「ユーザー」テーブルの「email」列に重複があるかどうかを確認する場合、以下のようなSQLクエリを使用します。

SELECT email, COUNT(*)
FROM ユーザー
GROUP BY email
HAVING COUNT(*) > 1;

このクエリは、email列でグループ化し、そのグループの中で行数が1を超えるもの（つまり重複しているもの）を抽出します。次のステップでは、重複データのカウント方法を解説します。

COUNT関数とGROUP BY句の組み合わせ

重複データをカウントするために、COUNT関数とGROUP BY句を組み合わせて使用します。GROUP BY句は、指定した列の値ごとに行をグループ化し、COUNT関数は各グループ内の行数をカウントします。

例えば、「products」テーブルの「product_name」列に重複があるかどうかをカウントする場合、次のようにクエリを作成します。

SELECT product_name, COUNT(*)
FROM products
GROUP BY product_name
HAVING COUNT(*) > 1;

このクエリは、「product_name」でグループ化し、それぞれの製品名が出現する回数をカウントします。HAVING句を使用して、重複している製品名（すなわちカウントが1を超えるもの）だけを抽出します。この方法で、重複しているデータとその重複回数を簡単に特定できます。次に、HAVING句を使ってフィルタリングする方法を説明します。

HAVING句を使ったフィルタリング

HAVING句は、GROUP BY句でグループ化されたデータに対して条件を設定し、特定の条件を満たすグループだけを抽出するために使用されます。これにより、重複回数が一定数以上のデータをフィルタリングできます。

例えば、「sales」テーブルの「customer_id」列で、同じ顧客が複数回購入しているケースを抽出する場合、以下のようなクエリを使用します。

SELECT customer_id, COUNT(*)
FROM sales
GROUP BY customer_id
HAVING COUNT(*) > 1;

このクエリは、customer_idごとにグループ化し、そのグループ内の購入回数をカウントします。HAVING句を使用して、カウントが1を超える（つまり複数回購入している）顧客IDを抽出します。次に、具体的なデータセットを使った実践例を示します。

実践例

ここでは、具体的なデータセットを使用して重複データのカウント方法を示します。例えば、「employees」テーブルがあり、「email」列に重複があるかを調べるとします。

employeesテーブルのデータ例

このテーブルの「email」列に重複がある場合、その数をカウントするSQLクエリは以下のようになります。

SELECT email, COUNT(*)
FROM employees
GROUP BY email
HAVING COUNT(*) > 1;

クエリ結果例

このクエリの結果、[email protected]と[email protected]のメールアドレスがそれぞれ2回出現していることが分かります。このようにして、重複データを検出し、その数をカウントすることができます。続いて、数え方の違いと注意点を確認します。

重複の「何件」を数えるかを分ける

上のCOUNT(*)は各メールアドレスの出現行数です。「重複している値の種類数」「重複グループに含まれる全行数」「各グループで1行を残した場合の余分な行数」は異なります。6行の例では順に2種類・4行・2行です。次の読み取り専用クエリで3つをまとめて確認できます。

SELECT COUNT(*) AS duplicate_groups,
       COALESCE(SUM(row_count), 0) AS rows_in_duplicate_groups,
       COALESCE(SUM(row_count - 1), 0) AS extra_rows
FROM (
    SELECT email, COUNT(*) AS row_count
    FROM employees
    GROUP BY email
    HAVING COUNT(*) > 1
) AS duplicates;

重複がない場合は0・0・0です。SUMは対象行がないとNULLになるため、COALESCEで0にしています。extra_rowsは件数を計算するだけで、どの行を残すか決めたり削除したりする処理ではありません。大量データを扱うSQL ServerではCOUNTのint上限に注意し、必要に応じて内外のCOUNTをCOUNT_BIGに変更して集計型も確認します。参考：PostgreSQLの集約関数、SQL ServerのCOUNTとCOUNT_BIG。

NULL・複数列・業務上の重複に注意する

GROUP BY emailでは複数のNULLも一つのグループになります。COUNT(*)はNULLを含む行も数えますが、COUNT(email)はNULLを数えません。未入力メールを重複候補から除外したい場合は、各集計のFROMとGROUP BYの間へWHERE email IS NOT NULLを入れます。COUNT(*) - COUNT(DISTINCT email)へ安易に置き換えると、NULLを除くDISTINCTの性質によって数えたい「余分な行数」とずれる場合があります。

「名前とメールアドレスの組み合わせ」が同じ行を探すなら、GROUP BYに両方の列を並べます。文字列を連結してキーを作ると、区切りやNULLの扱いで別の組み合わせが混ざる可能性があるため、列ごとに指定します。

SELECT name, email, COUNT(*) AS row_count
FROM employees
GROUP BY name, email
HAVING COUNT(*) > 1;

文字列の大文字・小文字や末尾の空白を同じとみなすかは、DBMS、列の型、照合順序に依存します。正規化のルールを先に決めてください。顧客が複数回購入したというだけでは、誤登録の重複とは限りません。削除を検討する前に業務上の一意キーと、残すべき行の条件を確認します。結果の行順を固定するにはORDER BYを追加します。参考：GROUP BY・HAVINGの説明、MySQLのグループ化規則。

まとめ

SQLのCOUNT関数とGROUP BY句、HAVING句を組み合わせることで、データベース内の重複データを簡単に検出し、カウントする方法を学びました。具体的な手順として、まずGROUP BY句で重複を確認したい列をグループ化し、次にCOUNT関数で各グループの行数をカウントします。HAVING句を使用して、特定の条件を満たすグループ（例えば、重複回数が1を超えるもの）を抽出することができます。これにより、データの一貫性と正確性を維持しやすくなります。重複データの検出と対策はデータベース管理において重要なスキルであり、今回学んだ方法を活用してデータの品質を向上させてください。