MYSQL实现排名函数RANK,DENSE_RANK和ROW_NUMBER

article/2025/9/14 4:33:02

文章目录

      • 1. 排名分类
        • 1.1 区别RANK,DENSE_RANK和ROW_NUMBER
        • 1.2 分组排名
      • 2. 准备数据
      • 3. 不分组排名
        • 3.1 连续排名
        • 3.2 并列跳跃排名
        • 3.3 并列连续排名
      • 4. 分组排名
        • 4.1 分组连续排名
        • 4.2 分组并列跳跃排名
        • 4.3 分组并列连续排名

在MYSQL的最新版本MYSQL8已经支持了排名函数RANKDENSE_RANKROW_NUMBER。但是在就得版本中还不支持这些函数,只能自己实现。实现方法主要用到了条件判断语句(CASE WHEN IF)和添加临时变量。


个人联系方式:微信

1. 排名分类

1.1 区别RANK,DENSE_RANK和ROW_NUMBER

  • RANK并列跳跃排名,并列即相同的值,相同的值保留重复名次,遇到下一个不同值时,跳跃到总共的排名。
  • DENSE_RANK并列连续排序,并列即相同的值,相同的值保留重复名次,遇到下一个不同值时,依然按照连续数字排名。
  • ROW_NUMBER连续排名,即使相同的值,依旧按照连续数字进行排名。

区别如图:
在这里插入图片描述

1.2 分组排名

将数据分组后排名,区别如图:
在这里插入图片描述

2. 准备数据

创建一张分数表,里面有字段:分数score,课程号course_id和学生号student_id。
执行如下SQL语句,进行导入数据。

create table score(student_id varchar(10),course_id varchar(10),score decimal(18,1)
);insert into score values('01' , '01' , 80);
insert into score values('01' , '02' , 90);
insert into score values('01' , '03' , 99);
insert into score values('02' , '01' , 70);
insert into score values('02' , '02' , 60);
insert into score values('02' , '03' , 80);
insert into score values('03' , '01' , 80);
insert into score values('03' , '02' , 80);
insert into score values('03' , '03' , 80);
insert into score values('04' , '01' , 50);
insert into score values('04' , '02' , 30);
insert into score values('04' , '03' , 20);
insert into score values('05' , '01' , 76);
insert into score values('05' , '02' , 87);
insert into score values('06' , '01' , 31);
insert into score values('06' , '03' , 34);
insert into score values('07' , '02' , 89);
insert into score values('07' , '03' , 98);
insert into score values('08' , '02' , 89);
insert into score values('09' , '02' , 89);

查看数据:
在这里插入图片描述

3. 不分组排名

3.1 连续排名

  1. 使用ROW_NUMBER实现:
SELECT score,
ROW_NUMBER() OVER (ORDER BY score DESC) ranking
FROM score;
  1. 使用变量实现:
SELECT s.score, (@cur_rank := @cur_rank + 1) ranking
FROM score s, (SELECT @cur_rank := 0) r
ORDER BY score DESC;

结果如图:
在这里插入图片描述

3.2 并列跳跃排名

  1. 使用RANK实现:
SELECT course_id, score,
RANK() OVER(ORDER BY score DESC)
FROM score;
  1. 使用变量IF语句实现:
SELECT s.score,
@rank_counter := @rank_counter + 1,
IF(@pre_score = s.score, @cur_rank, @cur_rank := @rank_counter) ranking,
@pre_score := s.score
FROM score s, (SELECT @cur_rank :=0, @pre_score := NULL, @rank_counter := 0) r
ORDER BY s.score DESC;
  1. 使用变量CASE语句实现:
SELECT s.score,
@rank_counter := @rank_counter + 1,
(CASEWHEN @pre_score = s.score THEN @cur_rankWHEN @pre_score := s.score THEN @cur_rank := @rank_counterEND
) ranking
FROM score s, (SELECT @cur_rank :=0, @pre_score := NULL, @rank_counter := 0) r
ORDER BY s.score DESC;

结果如图:
在这里插入图片描述

3.3 并列连续排名

  1. 使用DENSE_RANK实现:
SELECT course_id, score,
DENSE_RANK() OVER(ORDER BY score DESC) FROM score;
  1. 使用变量IF语句实现:
SELECT s.score,
IF(@pre_score = s.score, @cur_rank, @cur_rank := @cur_rank + 1) ranking,
@pre_score := s.score
FROM score s, (SELECT @cur_rank :=0, @pre_score = NULL) r
ORDER BY s.score DESC;
  1. 使用变量CASE语句实现:
SELECT s.score,
(CASEWHEN @pre_score = s.score THEN @cur_rankWHEN @pre_score := s.score THEN @cur_rank := @cur_rank + 1END
) ranking
FROM score s, (SELECT @cur_rank :=0, @pre_score = NULL) r
ORDER BY s.score DESC;

结果如图:
在这里插入图片描述

4. 分组排名

4.1 分组连续排名

  1. 使用ROW_NUMBER实现:
SELECT course_id, score,
ROW_NUMBER() OVER (PARTITION BY course_id ORDER BY score DESC) ranking FROM score;
  1. 使用变量IF语句实现:
SELECT s.course_id, s.score,
IF(@pre_course_id = s.course_id, @cur_rank := @cur_rank + 1, @cur_rank := 1) ranking,
@pre_course_id := s.course_id
FROM score s, (SELECT @cur_rank := 0, @pre_course_id := NULL) r
ORDER BY course_id, score DESC;

结果如图:
在这里插入图片描述

4.2 分组并列跳跃排名

  1. 使用RANK实现:
SELECT course_id, score,
RANK() OVER(PARTITION BY course_id ORDER BY score DESC)
FROM score;
  1. 使用变量IF语句实现:
SELECT s.course_id, s.score,
IF(@pre_course_id = s.course_id,@rank_counter := @rank_counter + 1,@rank_counter := 1) temp1,
IF(@pre_course_id = s.course_id,IF(@pre_score = s.score, @cur_rank, @cur_rank := @rank_counter),@cur_rank := 1) ranking,
@pre_score := s.score temp2,
@pre_course_id := s.course_id temp3
FROM score s, (SELECT @cur_rank := 0, @pre_course_id := NULL, @pre_score := NULL, @rank_counter := 1)r
ORDER BY s.course_id, s.score DESC;

结果如图:
在这里插入图片描述

4.3 分组并列连续排名

  1. 使用DENSE_RANK实现:
SELECT course_id, score,
DENSE_RANK() OVER(PARTITION BY course_id ORDER BY score DESC)
FROM score;
  1. 使用变量IF语句实现:
SELECT s.course_id, s.score,
IF(@pre_course_id = s.course_id,IF(@pre_score = s.score, @cur_rank, @cur_rank := @cur_rank + 1),@cur_rank := 1) ranking,
@pre_score := s.score,
@pre_course_id := s.course_id
FROM score s, (SELECT @cur_rank :=0, @pre_score = NULL, @pre_course_id := NULL) r
ORDER BY course_id, score DESC;

可以将上述的IF条件提取出来:

SELECT s.course_id, s.score,
IF(@pre_score = s.score, @cur_rank, @cur_rank := @cur_rank + 1) temp1,
@pre_score := s.score temp2,
IF(@pre_course_id = s.course_id, @cur_rank, @cur_rank := 1) ranking,
@pre_course_id := s.course_id
FROM score s, (SELECT @cur_rank :=0, @pre_score = NULL, @pre_course_id := NULL) r
ORDER BY course_id, score DESC;

结果如图:
在这里插入图片描述
![在这里插入图片描述](https://img-blog.csdnimg.cn/f63232556ce64baea657952385808409.png


http://chatgpt.dhexx.cn/article/rJGsVikY.shtml

相关文章

tf.keras.layers.Dense函数

函数原型 tf.keras.layers.Dense(units, activationNone, use_biasTrue,kernel_initializerglorot_uniform,bias_initializerzeros, kernel_regularizerNone,bias_regularizerNone,activity_regularizerNone, kernel_constraintNone,bias_constraintNone, **kwargs )函数说明 …

DenseNet模型

《Densely Connected Convolutional Networks》阅读笔记 代码地址:https://github.com/liuzhuang13/DenseNet 首先看一张图: 稠密连接:每层以之前层的输出为输入,对于有L层的传统网络,一共有 L 个连接,对于DenseNe…

深入理解 keras 中 Dense 层参数

目录 引言深入理解 Dense 层的用法查看参数输入尺寸输出尺寸示例:用法完整示例示例一: 最小网络示例二:多维度数据示例三:特殊情况,待讨论 附录 引言 大家或许已经对深度学习不陌生了。不管是养家糊口工作还是科研学习早日毕业&a…

Keras大法(4)——Dense方法详解

Keras大法(4)——Dense方法详解 (一)keras.layers.Dense方法(二)使用示例(三)总 结 (一)keras.layers.Dense方法 在开始定义模型之前,我们有必要…

dense层、激活函数、输出层设计

Tensorflow——tf.layers.dense dense:全连接层 对于层方式的实现的时候! layers.Dense(units,activation)函数一般只需要指定输出节点数Units和激活函数类型即可。输入节点数将根据第一次运算时输入的shape确定,同时输入、输出节点自动创建…

Dense层

1 常见参数 model.add(Dense(units, #输出的大小(神经元个数)activationNone, #激活函数use_biasTrue, #是否添加偏置kernel_initializerglorot_uniform, #权重矩阵初始化bias_initializerzeros, #偏置初始化kernel_regularizerNone, #权重矩阵的正则函…

Keras中dense层原理及用法解释

文章目录 一.全连接层Fully Connection作用二.API解释2.1 示例1:dense层为输入层2.2 示例2:dense层为中间层2.3 示例3:dense层为输出层 三.实现过程四.数学解释 一.全连接层Fully Connection作用 全连接的核心操作就是矩阵向量乘积 y W ∗…

矩阵运算实现求样本与样本之间欧式距离

前言 最近需要写关于kmeans的一些小程序,需要计算距离,直接写for循环又特别慢,再要是样本多一点,那简直了。细细一想,需要计算距离的地方还真不少,kmeans、KNN、图等等。 1. 理论指导 小学学过的公式&am…

实现两个点集的欧式距离和cos距离和索引值寻找(含有两种解法,for循环和矩阵操作)

一.计算欧式距离 1,直接for循环 两个点集points1,points2,用dist来存储距离 points1np.array([[1,2],[3,4]]) points2 np.array([[5, 6],[7,8]]) dist np.zeros(shape[points1.shape[0],points2.shape[0]]) for i in range(points1.sha…

计算样本欧式距离——python

任务描述 本关实现一个函数来计算欧几里得距离。 相关知识 通常数据集中的样本都可描述为一个 n 维向量 。每一个维度代表样本的一个属性。比如,对于用户 x 而言,其属性可能是收入、年龄、工作时间等,对于电影而言,其属性可能…

什么是范数,及其对应的 “曼哈顿距离“、“欧式距离“、“闵氏距离“、“切比雪夫距离“

什么是范数,及其对应的 "曼哈顿距离"、"欧式距离"、"闵氏距离"、"切比雪夫距离" 一、什么是范数二、欧式距离(对应L2范数)三、曼哈顿距离(对应L1范数)三、闵氏距离&#xff0…

计算两个矩阵的行向量之间的欧式距离

1 问题描述 矩阵P的大小为[m, d] 用行向量表示为P1, P2,...,Pm 矩阵C的大小为[n, d] 用行向量表示为C1, C2,...,Cn 求矩阵P的每个行向量与矩阵C的每个行向量的欧氏距离 典型的例子是KNN算法应用于二维的点的聚类时,求取点与点之间的欧式距离时的情况。 2 …

标准化欧式距离

标准化欧式距离 在对长方体区域进行聚类的时候,普通的距离无法满足要求。 按照普通的距离聚类出的大多是圆形的区域,这时候要采用标准的欧式距离。 两个 n 维向量 a(X11,X12,X13,…X1n)与b(X21,X22,…X2n) 间的标准化欧氏距离公式为: 其中S…

Java实现的基于欧式距离的聚类算法的Kmeans作业

Kmeans作业 环境配置 java环境,使用原生的Java UI组件JPanel和JFrame 算法原理 基于欧式距离的聚类算法,其认为两个目标的距离越近,相似度越大。 该实验产生的点为二维空间中的点。 欧式距离 n维空间中的两个点X,Y d i s t…

python+dlib的欧式距离算法进行人脸识别

资源下载地址:https://download.csdn.net/download/sheziqiong/85738944 资源下载地址:https://download.csdn.net/download/sheziqiong/85738944 人脸识别的主要算法 其核心算法是 欧式距离算法使用该算法计算两张脸的面部特征差异,一般在…

计算欧式距离和余弦相似度

本文介绍Python计算欧式距离和余弦相似度。为了余弦相似度需要使用欧式距离,我们首先介绍欧式距离。 欧式距离 欧式距离标识两个向量之间的距离,计算公式如下: 欧式距离 Σ ( A i − B i ) 2 \sqrt{Σ(A_i-B_i)^2} Σ(Ai​−Bi​)2 ​ …

欧式距离和马式距离的区别

前言 为什么要讨论这两个距离之间的区别? 因为,距离函数的选择对数据挖掘算法的效果具有很大的影响,使用错误的距离函数对挖掘过程非常有害。有时候,语义非常相似的对象被认为不相似,而语义不相似的对象却被认为是相…

马氏距离(Mahalanobis Distance)与欧式距离

马氏距离(Mahalanobis Distance)是度量学习中一种常用的距离指标,同欧氏距离、曼哈顿距离、汉明距离等一样被用作评定数据之间的相似度指标。但却可以应对高维线性分布的数据中各维度间非独立同分布的问题。 什么是马氏距离 马氏距离(Mahalanobis Distance)是一种距…

欧式距离分割

主要函数: [labels, numClusters] pcsegdist(ptCloud, minDistance) 欧式聚类是一种基于欧式距离的聚类算法 ptCloud pcread(maize.pcd);%两个不同簇之间最小距离 minDistance 0.06%执行欧式距离分割 [labels, numClusters] pcsegdist(ptCloud, minDistance)…

欧式距离转为百分比

1. 说明 项目中生成了每个数据的2048维的向量,计算出不同数据之间的欧式距离值。把这些欧式距离转化为百分比,利于查看。 2. 欧式距离值 0.19806965771678278 0062_04 0.34178271687627493 0062_00 0.35060763229637537 0062_03 0.4269194352275009 00…