После JOIN метрика стала завышенной, и аналитик добавил distinct ко всей таблице, чтобы «убрать дубли». Почему это рискованный подход?
AПотому что
distinct всегда приводит к join explosionBПотому что
distinct может скрыть проблему cardinality и удалить валидные строки; лучше устранить источник duplication и или pre-aggregate на нужном уровнеCПотому что
distinct делает данные числовымиDПотому что
distinct запрещён для one-to-oneПравильный ответ.
distinct — плохой «пластырь» на проблему cardinality, потому что он не гарантирует корректность метрики.Разбор
distinct удаляет одинаковые строки, но одинаковость строк не всегда совпадает с понятием «лишнее дублирование». Он может случайно выбросить реальные повторяющиеся события или позиции, и метрика станет заниженной. Гораздо надёжнее понять, где возникла duplication, и выбрать правильный pre-aggregate или ключ JOIN.
Проверь себя · 1/3разбор после ответа
Хотите посчитать конверсию «пользователь посмотрел товар → пользователь купил» по
user_id. Данные: events (много просмотров на пользователя) и orders (много заказов на пользователя). Что корректнее всего сделать, чтобы избежать many-to-many искажения?Ещё вопросы по теме «JOIN и кардинальность»
- В таблице `users` 100 000 строк, в таблице `user_profiles` — ровно одна строка на каждого `user_id`. Вы делаете `INNER JOIN` по `user_id`. Что верно про число строк результата?
- Вы соединяете `users` и `orders` по `user_id`, где у пользователя может быть много заказов (`one-to-many`). Как посчитать число пользователей, которые сделали хотя бы один заказ, чтобы избежать `duplication`?
- Для одного `order_id` в `order_items` есть 3 строки, а в `payments` есть 2 строки. Вы соединили всё в одну таблицу по `order_id` без предварительной агрегации. Сколько строк получится для этого заказа и почему?
- Нужен датасет на уровне `user_id`: выручка из `orders` и число сессий из `sessions`. В обеих таблицах по пользователю много строк (`one-to-many`). Какой подход минимизирует риск `join explosion`?
- Вы хотели посчитать средний чек по заказам как `AVG(order_total)`. Но перед этим соединили `orders` с `order_items` по `order_id` (`one-to-many`). Почему `AVG()` может измениться по сравнению с расчётом на таблице `orders`?
- Все вопросы по «JOIN и кардинальность» →