当前位置:首页 > 文章列表 > 数据库 > MySQL > MySQL DENSE_RANK 怎样保留并列排名记录

MySQL DENSE_RANK 怎样保留并列排名记录

来源:17golang原创 2026-10-28 23:09:06 0浏览 收藏

要让 MySQL 保留并列排名记录,核心写法是 DENSE_RANK() OVER (PARTITION BY 分组列 ORDER BY 排名列 DESC)。同一分组内排名列相同的记录会得到同一个名次,下一组名次仍然连续。例如分数为 100、100、90 时,结果是 1、1、2,而不是 1、1、3。需要筛选前几名时,再把窗口结果放到派生表中。

官方文档:https://dev.mysql.com/doc/refman/8.4/en/window-function-descriptions.html

要点速览
  • PARTITION BY 决定每个部门、班级或租户是否分别排名。
  • ORDER BY 只放真正定义“并列”的字段;追加唯一 ID 会拆散并列。
  • 要保留并列的前 N 名,过滤条件应写在外层查询。

先把“并列”定义成窗口排序规则

假设有一张 exam_score 表,字段是 department、student_id 和 score。如果需求是“每个部门按分数排名,分数相同的学生并列”,就只把部门作为分区、分数作为排序键:

-- 每个部门独立排名;分数相同的行共享一个名次。
SELECT department, student_id, score,
       DENSE_RANK() OVER (
           PARTITION BY department
           ORDER BY score DESC
       ) AS score_rank
FROM exam_score
ORDER BY department, score_rank, student_id;

这里的 DESC 表示高分在前。DENSE_RANK() 识别的是窗口排序产生的 peer 行,所以同一部门中分数相同的记录会拿到相同排名;不同部门即使分数相同,也不会互相影响。

MySQL DENSE_RANK 按部门分区并让同分记录共享排名的静态结构图
图1:DENSE_RANK 分区结构说明图。部门边界先隔离排名范围,分数相同的 peer 行共享名次;这是静态说明图,不是数据库截图。

用派生表保留并列的前 N 名

窗口函数在结果行生成排名,不能直接在同一层 WHERE 中引用刚起的窗口别名。要取每个部门的前两名且保留并列,先计算,再在外层过滤:

-- 内层只负责计算名次,外层负责筛选,避免混淆执行阶段。
SELECT department, student_id, score, score_rank
FROM (
    SELECT department, student_id, score,
           DENSE_RANK() OVER (
               PARTITION BY department
               ORDER BY score DESC
           ) AS score_rank
    FROM exam_score
) AS ranked_score
WHERE score_rank 

如果某部门的分数是 100、100、90、80,过滤结果会包含前三行,因为第 1 名和第 2 名都属于前两级排名。若业务要求“严格只返回两行”,那是按行数截断,不再是“保留并列的前两名”,应改用 ROW_NUMBER() 或另行定义取舍规则。

函数100、100、90 的结果适用判断
DENSE_RANK()1、1、2并列且名次连续
RANK()1、1、3并列后保留名次空档
ROW_NUMBER()1、2、3每行必须有唯一序号
MySQL DENSE_RANK、RANK 与 ROW_NUMBER 并列结果差异静态对照图
图2:排名函数结果对照说明图。相同输入在三种函数下分别体现连续并列、并列跳号和逐行编号差异,不代表实际运行截图。

追加排序列时不要意外拆掉并列

最常见的误区是把 student_id 直接追加到窗口排序中:

-- 这种写法把学生编号也当成排名条件,会让同分行不再并列。
DENSE_RANK() OVER (
    PARTITION BY department
    ORDER BY score DESC, student_id
)

如果确实需要稳定展示顺序,可以把唯一 ID 放在外层查询的 ORDER BY,而不是放进窗口函数的排序键。若业务定义是“分数相同但还要按提交时间决定先后”,那就已经不是单纯的并列排名,需要明确是否使用 ROW_NUMBER()。对 NULL 分数也要先写清楚是否允许入榜;不能把数据库默认排序顺序当作业务规则。

上线前的四项核对

  • 排名是否按组独立计算,PARTITION BY 是否遗漏租户或业务范围。
  • 并列字段是否只有分数,是否误把唯一键加入窗口 ORDER BY。
  • 前 N 名是按排名级别还是按固定行数,二者结果可能不同。
  • 生产实例是否支持窗口函数,并用执行计划和实际数据量评估排序开销。

常见问题

DENSE_RANK 为什么比 RANK 少一个名次?

因为 DENSE_RANK() 对并列组使用连续编号;RANK() 按前面实际行数计数,因此并列组后会出现空档。

为什么查询结果里同分记录没有并列?

先检查窗口 ORDER BY 是否追加了 ID、时间或其他不同字段。只要排序键组合不同,数据库就不会把这些行视为同一 peer 组。

怎样让每个部门只返回两行?

“保留并列前两名”可能返回超过两行;如果硬性要求两行,应采用 ROW_NUMBER() 并提供确定性的取舍排序,不能同时保证所有并列都保留。

参考入口:MySQL 8.4 窗口函数说明 https://dev.mysql.com/doc/refman/8.4/en/window-function-descriptions.html;窗口函数语法 https://dev.mysql.com/doc/refman/8.4/en/window-functions-usage.html。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
MySQL 隐形索引怎样安全观察删除影响MySQL 隐形索引怎样安全观察删除影响
上一篇
MySQL 隐形索引怎样安全观察删除影响
MySQL FOR SHARE 怎样在一致性读中使用共享锁
下一篇
MySQL FOR SHARE 怎样在一致性读中使用共享锁
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    761次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    758次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    842次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    810次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    640次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码