Podivné duplicitní chování z GROUP_CONCAT ze dvou LEFT JOINů ze GROUP_BYs

Váš druhý dotaz je ve tvaru:

q1 -- PK user_id
LEFT JOIN (...
    GROUP BY user_id, t.tag
) AS q2
ON q2.user_id = q1.user_id 
LEFT JOIN (...
    GROUP BY user_id, c.category
) AS q3
ON q3.user_id = q1.user_id
GROUP BY -- group_concats

Výsledkem vnitřních GROUP BY je (user_id, t.tag) &(user_id, c.category) jsou klíče/jedinečné. Kromě toho se nebudu zabývat těmi GROUP BY.

TL;DR Když se připojíte (q1 JOIN q2) ke q3, není to na klíči/UNIQUE jednoho z nich, takže pro každé user_id získáte řádek pro každou možnou kombinaci značky a kategorie. Takže konečná GROUP BY vkládá duplikáty na (user_id, tag) &na (user_id, kategorii) a nevhodně GROUP_CONCATs duplikuje tagy a kategorie na user_id. Správně by bylo (q1 JOIN q2 GROUP BY) JOIN (q1 JOIN q3 GROUP BY), ve kterém jsou všechna spojení na společném klíči/UNIQUE (user_id) &nedochází k žádné falešné agregaci. I když někdy můžete takovou falešnou agregaci vrátit zpět.

Správný symetrický přístup INNER JOIN:LEFT JOIN q1 &q2--1:many--pak GROUP BY &GROUP_CONCAT (což udělal váš první dotaz); pak samostatně podobně LEFT JOIN q1 &q3--1:many--pak GROUP BY &GROUP_CONCAT; pak INNER JOIN dva výsledky ON user_id--1:1.

Správný přístup k symetrickému skalárnímu poddotazu:VYBERTE GROUP_CONCATs z 1. čtvrtletí jako skalární poddotazy každý s GROUP BY.

Správný kumulativní přístup LEFT JOIN:LEFT JOIN q1 &q2--1:many--pak GROUP BY &GROUP_CONCAT; pak LEFT JOIN that &q3--1:many--pak GROUP BY &GROUP_CONCAT.

Správný přístup, jako je váš 2. dotaz:Nejprve LEFT JOIN q1 &q2--1:many. Pak jste ODEŠLI PŘIPOJIT SE k tomu &q3--many:1:many. Poskytuje řádek pro každou možnou kombinaci značky a kategorie, které se objevují s user_id. Poté, co GROUP BY, vytvoříte GROUP_CONCAT – přes duplicitní (user_id, tag) páry a duplicitní (user_id, category) páry. To je důvod, proč máte duplicitní prvky seznamu. Ale přidání DISTINCT do GROUP_CONCAT dává správný výsledek. (Pro wchiquito komentář uživatele.)

To, co dáváte přednost, je jako obvykle technický kompromis, abyste byli informováni o plánech dotazů a načasování podle skutečných dat / použití / statistiky. vstup a statistiky pro očekávané množství duplikace), načasování skutečných dotazů atd. Jedním z problémů je, zda další řádky přístupu many:1:many JOIN kompenzují úsporu GROUP BY.

-- cumulative LEFT JOIN approach
SELECT
   q1.user_id, q1.user_name, q1.score, q1.reputation,
    top_two_tags,
    substring_index(group_concat(q3.category  ORDER BY q3.category_reputation DESC SEPARATOR ','), ',', 2) AS category
FROM
    -- your 1st query (less ORDER BY) AS q1
    (SELECT
        q1.user_id, q1.user_name, q1.score, q1.reputation, 
        substring_index(group_concat(q2.tag  ORDER BY q2.tag_reputation DESC SEPARATOR ','), ',', 2) AS top_two_tags
    FROM
        (SELECT 
            u.id AS user_Id, 
            u.user_name,
            coalesce(sum(r.score), 0) as score,
            coalesce(sum(r.reputation), 0) as reputation
        FROM 
            users u
            LEFT JOIN reputations r 
                ON    r.user_id = u.id 
                  AND r.date_time > 1500584821 /* unix_timestamp(DATE_SUB(now(), INTERVAL 1 WEEK)) */
        GROUP BY 
            u.id, u.user_name
        ) AS q1
        LEFT JOIN
        (
        SELECT
            r.user_id AS user_id, t.tag, sum(r.reputation) AS tag_reputation
        FROM
            reputations r 
            JOIN post_tag pt ON pt.post_id = r.post_id
            JOIN tags t ON t.id = pt.tag_id
        WHERE
            r.date_time > 1500584821 /* unix_timestamp(DATE_SUB(now(), INTERVAL 1 WEEK)) */
        GROUP BY
            user_id, t.tag
        ) AS q2
        ON q2.user_id = q1.user_id 
        GROUP BY
            q1.user_id, q1.user_name, q1.score, q1.reputation
    ) AS q1
    -- finish like your 2nd query
    LEFT JOIN
    (
    SELECT
        r.user_id AS user_id, c.category, sum(r.reputation) AS category_reputation
    FROM
        reputations r 
        JOIN post_category ct ON ct.post_id = r.post_id
        JOIN categories c ON c.id = ct.category_id
    WHERE
        r.date_time > 1500584821 /* unix_timestamp(DATE_SUB(now(), INTERVAL 1 WEEK)) */
    GROUP BY
        user_id, c.category
    ) AS q3
    ON q3.user_id = q1.user_id 
GROUP BY
    q1.user_id, q1.user_name, q1.score, q1.reputation
ORDER BY
    q1.reputation DESC, q1.score DESC ;