O Que É Numero Distinto

O que é número distinto na prática

Em banco de dados e processamento de dados, número distinto se refere à contagem de valores únicos em um conjunto de dados. O conceito parece simples até você enfrentar uma consulta real com milhões de linhas e começar a notar que o resultado não bate com o esperado.

o que é numero distinto e como ele realmente funciona

Quando você usa DISTINCT em SQL ou GROUP BY para contar valores distintos, o motor do banco de dados faz um scan completo, descarta duplicatas e conta o que sobrou. Em tabelas pequenas, isso é rápido e não dá trabalho. Em tabelas grandes com colunas indexadas, ainda depende do tipo de dado e da cardinalidade. Um COUNT(DISTINCT coluna) com alta cardinalidade pode ser muito mais caro do que um COUNT simples, porque força operações de hash ou sort em memória. E se a memória não for suficiente, o banco despeja para disco. Aí a consulta de 3 segundos vira uma de 4 minutos. Tenho um caso específico que aprendi na marra. Tinha uma tabela de transações com aproximadamente 12 milhões de registros e precisava contar CPFs distintos para um relatório. A query normal com COUNT(DISTINCT cpf) estava levando mais de 8 minutos e travando outros processos na database. A solução foi criar uma subquery com GROUP BY cpf primeiro, que gerava um resultado intermediário muito menor, e só depois aplicar COUNT na saída. Com isso, o tempo caiu para cerca de 40 segundos. Não é mágica, é apenas jogar a operação de agrupamento para uma fase mais cedo no plano de execução.

Pegadinhas que ninguém cuenta

Valores NULL são um problema constante. Em praticamente todas as engines de banco de dados, NULL é tratado como um valor distinto por si só durante a contagem. Se sua coluna tem 500 NULLs entre 10 mil registros, o DISTINCT vai contar esses NULLs como uma entrada única. Isso distorce resultados em relatórios que dependem de contagem exata de entidades. A workaround padrão é filtrar com WHERE coluna IS NOT NULL antes de contar. Parece óbvio, mas já vi relatório sendo aprovado com números inflados por esse motivo. Outro ponto que passa despercebido: a sensibilidade a tipos de dado. Contar strings distintas com acentuação diferente ou whitespace variável gera duplicatas falsas. Uma coluna VARCHAR que armazena "João" e "João " são valores distintos para o banco. O mesmo vale para diferenças de case em colações case-sensitive. Antes de confiar em números distintos, verifique a collation da coluna e normalise os dados com TRIM e UPPER se for o caso.

Limitações que você precisa saber antes de usar

CONTAGEM de valores distintos não escala linearmente. O custo cresce proporcionalmente à cardinalidade e ao volume de dados. Para datasets acima de 50 milhões de linhas sem partições adequadas, a abordagem ingênua simplesmente não funciona bem. Existem aproximações como HyperLogLog que dão estimativas com margem de erro de 1 a 2 por cento e rodam ordens de magnitude mais rápido. Bancos como PostgreSQL, BigQuery e ClickHouse têm implementações nativas disso. Se você precisa de precisão exata, fica com COUNT(DISTINCT). Se precisa de velocidade em produção, use aproximação. Memória também é um gargalo real. Operações de distinct forçam alocacao interna proporcional ao número de valores únicos na memoria do worker. Em colunas com cardinalidade ultra-alta, como UUIDs ou tokens de sessão, o consumo pode estourar os limites configurados e gerar erros de out of memory. Nesses casos, particionar a query ou usar window functions com ROW_NUMBER() em vez de COUNT(DISTINCT) costuma ser mais eficiente, pois permite controlar o uso de memoria de forma mais granular.

A escolha entre abordagens depende do seu cenário. Se a tabela tem indice na coluna que você quer contar, um indice-only scan resolve rápido. Se não tem indice e o filtro é selectivo, um full scan com hash aggregation é o plano padrão. Entender qual dos dois seu otimizador escolheu é mais útil do que decorar sintaxe. Dê um EXPLAIN na sua query e verifique o plano real antes de assumir que o resultado está correto.

Como fazer sem errar

A forma mais segura de contar valores distintos em produção envolve três passos básicos. Primeiro, identifique se há colunas com NULLs e decida se eles devem ser incluidos ou nao na contagem. Segundo, verifique a existencia de indices na coluna-alvo para evitar full table scan. Terceiro, teste a query com LIMIT ou amostragem antes de rodar no volume completo, especialmente em tabelas que voce nao conhece bem. Para ambientes com Dados historicos ou logs, considere manter uma tabela materializada com os valores distintos atualizados periodicamente via job agendado. Isso elimina a necessidade de calcular tudo sob demanda. O tradeoff é ter dados que podem estar ligeiramente defasados, mas em muitos contextos empresariais uma defasagem de minutos ou horas é perfeitamente aceitavel.

A sintaxe varia entre bancos. No PostgreSQL e MySQL, COUNT(DISTINCT coluna) funciona da forma padrão. No SQL Server, o comportamento é o mesmo, mas o plano de execucao pode diferir devido ao optimizer. No Hive e Spark, COUNT(DISTINCT) tem limitações conhecidas de performance e costuma exigir configuracoes especificas de paralelismo para rodar em tempo razoavel. Se voce trabalha com múltiplos sistemas, padronize o tratamento de NULL e verifique a collation antes de portar queries entre ambientes.