• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Diferencia entre COUNT(*) y COUNT(1) en SQL

Bases de datos, SQL

septiembre 20, 2024 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 2 minutos

En una base de datos SQL, cuando se desea obtener el número de filas en una tabla se puede usar COUNT(*) y COUNT(1). Aunque ambos el mismo resultado, existe una distinción sutil pero importante entre ellos. En entrada, se explicará las diferencias y ver cómo pueden afectar el rendimiento de las consultas.

Funcionamiento de COUNT(*)

La función COUNT(*) cuenta el número total de filas en una tabla. Su sintaxis es bastante simple:

SELECT COUNT(*) FROM nombre_de_la_tabla;

Cuando utilizas COUNT(*), el sistema de gestión de bases de datos (DBMS) no se preocupa por los valores de las columnas. En lugar de eso, simplemente cuenta todas las filas (o todas las filas que cumplen el criterio indicado en la consulta). COUNT(*) es generalmente la forma más segura y precisa de contar todas las filas en una tabla.

Funcionamiento de COUNT(1)

La función COUNT(1) también cuenta el número de filas en una tabla, pero se basa en una expresión constante (en este caso, 1). Su sintaxis es similar:

SELECT COUNT(1) FROM nombre_de_la_tabla;

Aquí, COUNT(1) evalúa la expresión 1 para cada fila. Dado que 1 es siempre verdadero y no depende de los valores de las columnas, el comportamiento es esencialmente el mismo que COUNT(*) en la mayoría de los sistemas de bases de datos.

Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
En Analytics Lane
Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)

Publicidad


Diferencias y Rendimiento

En términos de funcionalidad, COUNT(*) y COUNT(1) generalmente producen los mismos resultados y tienen un rendimiento equivalente en la mayoría de los motores de bases de datos modernos. Sin embargo, hay algunas diferencias y consideraciones a tener en cuenta:

  1. Optimizaciones del DBMS: Algunos DBMS la ejecución de COUNT(*) suele ser más eficiente que COUNT(1), ya que COUNT(*) está diseñado específicamente para contar filas y puede utilizar los índices de manera más eficaz. En contraste, COUNT(1) implica la evaluación adicional de la expresión constante.
  2. Legibilidad: En términos de legibilidad del código, COUNT(*) es más intuitivo para la mayoría de los desarrolladores. Indicando más claramente la intención de contar todas las filas.
  3. Compatibilidad: Aunque la mayoría de los DBMS tratan COUNT(*) y COUNT(1) de manera similar, algunas bases de datos más antiguas o menos comunes podrían manejar estas funciones de manera diferente. COUNT(*) es el estándar ANSI SQL, lo que garantiza una mayor consistencia en diversas plataformas.

Conclusiones

En resumen, tanto COUNT(*) como COUNT(1) se pueden utilizar para contar el número de filas en una tabla, y en la práctica, los resultados suelen ser los mismos. Sin embargo, COUNT(*) es la opción recomendada por su claridad y compatibilidad con estándares SQL. Si bien la diferencia en el rendimiento puede ser mínima en la mayoría de los casos, es una buena práctica usar COUNT(*) para asegurar una mayor comprensión y mantenimiento del código.

Imagen de Pexels en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Segmentación RFM: cómo clasificar tu cartera de clientes antes de calcular el CLV
  • PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado
  • Champion vs Challenger: Cómo los Bancos Validan Modelos Nuevos antes de Ponerlos en Producción
  • Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring
  • Errores habituales al trabajar con DataFrames grandes en Pandas (y cómo evitarlos)
  • BG/NBD + Gamma/Gamma: el modelo probabilístico para CLV en compras continuas
  • Curiosidad: De dónde vienen foo, bar y foobar
  • Cómo Comparar Dos Hipotecas con Todos los Gastos Incluidos

Publicado en: Herramientas Etiquetado como: Bases de datos, SQL

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring

agosto 18, 2026 Por Daniel Rodríguez

Curiosidad: De dónde vienen foo, bar y foobar

agosto 13, 2026 Por Daniel Rodríguez

BG/NBD + Gamma/Gamma: el modelo probabilístico para CLV en compras continuas

agosto 11, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring publicado el agosto 18, 2026 | en Ciencia de datos
  • Utilizar R desde Python con rpy2 publicado el enero 11, 2019 | en Python, R
  • Ecuaciones multilínea en Markdown publicado el septiembre 14, 2022 | en Herramientas
  • Cómo validar nombres de hojas (sanitizar) y archivos Excel con Python publicado el noviembre 4, 2024 | en Herramientas, Python
  • Champion vs Challenger: Cómo los Bancos Validan Modelos Nuevos antes de Ponerlos en Producción publicado el agosto 4, 2026 | en Ciencia de datos

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto