Kueri yang efisien untuk mendapatkan nilai terbaik per grup dari tabel besar

Diberikan tabel:

    Column    |            Type             
 id           | integer                     
 latitude     | numeric(9,6)                
 longitude    | numeric(9,6)                
 speed        | integer                     
 equipment_id | integer                     
 created_at   | timestamp without time zone
Indexes:
    "geoposition_records_pkey" PRIMARY KEY, btree (id)

Tabel ini memiliki 20 juta catatan yang secara relatif tidak banyak. Tapi itu membuat pemindaian berurutan lambat.

Bagaimana saya bisa mendapatkan catatan terakhir ( max(created_at)) dari masing-masing equipment_id?

Saya sudah mencoba kedua pertanyaan berikut, dengan beberapa varian yang telah saya baca melalui banyak jawaban dari topik ini:

select max(created_at),equipment_id from geoposition_records group by equipment_id;

select distinct on (equipment_id) equipment_id,created_at 
  from geoposition_records order by equipment_id, created_at desc;

Saya juga telah mencoba membuat indeks btree untuk equipment_id,created_attetapi Postgres menemukan bahwa menggunakan seqscan lebih cepat. Pemaksaan enable_seqscan = offtidak ada gunanya karena membaca indeks selambat pemindaian seq, mungkin lebih buruk.

Permintaan harus berjalan secara berkala, selalu kembali yang terakhir.

Menggunakan Postgres 9.3.

Jelaskan / analisis (dengan 1,7 juta catatan):

set enable_seqscan=true;
explain analyze select max(created_at),equipment_id from geoposition_records group by equipment_id;
"HashAggregate  (cost=47803.77..47804.34 rows=57 width=12) (actual time=1935.536..1935.556 rows=58 loops=1)"
"  ->  Seq Scan on geoposition_records  (cost=0.00..39544.51 rows=1651851 width=12) (actual time=0.029..494.296 rows=1651851 loops=1)"
"Total runtime: 1935.632 ms"

set enable_seqscan=false;
explain analyze select max(created_at),equipment_id from geoposition_records group by equipment_id;
"GroupAggregate  (cost=0.00..2995933.57 rows=57 width=12) (actual time=222.034..11305.073 rows=58 loops=1)"
"  ->  Index Scan using geoposition_records_equipment_id_created_at_idx on geoposition_records  (cost=0.00..2987673.75 rows=1651851 width=12) (actual time=0.062..10248.703 rows=1651851 loops=1)"
"Total runtime: 11305.161 ms"

Indeks b-tree multicolumn polos seharusnya bisa digunakan:

CREATE INDEX foo_idx
ON geoposition_records (equipment_id, created_at DESC NULLS LAST);

Mengapa DESC NULLS LAST?

• Indeks yang tidak digunakan dalam rentang permintaan tanggal

Fungsi

Jika Anda tidak dapat berbicara masuk akal ke perencana kueri, perulangan fungsi melalui tabel peralatan harus melakukan trik. Mencari satu equipment_id sekaligus menggunakan indeks. Untuk sejumlah kecil (57 menilai dari EXPLAIN ANALYZEoutput Anda ), itu cepat.
Aman untuk menganggap Anda memiliki equipmentmeja?

CREATE OR REPLACE FUNCTION f_latest_equip()
  RETURNS TABLE (equipment_id int, latest timestamp) AS
$func$
BEGIN
FOR equipment_id IN
   SELECT e.equipment_id FROM equipment e ORDER BY 1
LOOP
   SELECT g.created_at
   FROM   geoposition_records g
   WHERE  g.equipment_id = f_latest_equip.equipment_id
                           -- prepend function name to disambiguate
   ORDER  BY g.created_at DESC NULLS LAST
   LIMIT  1
   INTO   latest;

   RETURN NEXT;
END LOOP;
END  
$func$  LANGUAGE plpgsql STABLE;

Membuat panggilan yang bagus juga:

SELECT * FROM f_latest_equip();

Subquery terkait

Kalau dipikir-pikir itu, menggunakan equipmenttabel ini , Anda bisa ke pekerjaan kotor dengan subqueries berkorelasi rendah untuk efek besar:

SELECT equipment_id
     ,(SELECT created_at
       FROM   geoposition_records
       WHERE  equipment_id = eq.equipment_id
       ORDER  BY created_at DESC NULLS LAST
       LIMIT  1) AS latest
FROM   equipment eq;

Performanya sangat bagus.

LATERAL bergabung dengan Postgres 9.3+

SELECT eq.equipment_id, r.latest
FROM   equipment eq
LEFT   JOIN LATERAL (
   SELECT created_at
   FROM   geoposition_records
   WHERE  equipment_id = eq.equipment_id
   ORDER  BY created_at DESC NULLS LAST
   LIMIT  1
   ) r(latest) ON true;

Penjelasan detail:

• Optimalkan GROUP BY query untuk mengambil catatan terbaru per pengguna

Kinerja serupa dengan subquery yang berkorelasi. Membandingkan kinerja max(), DISTINCT ON, fungsi, berkorelasi subquery dan LATERALdalam hal ini:

SQL Fiddle .

Percobaan 1

Jika

1. Saya punya equipmentmeja terpisah , dan
2. Saya memiliki indeks geoposition_records(equipment_id, created_at desc)

maka berikut ini berfungsi untuk saya:

select id as equipment_id, (select max(created_at)
                            from geoposition_records
                            where equipment_id = equipment.id
                           ) as max_created_at
from equipment;

Saya tidak bisa memaksa PG untuk melakukan query cepat untuk menentukan kedua daftar equipment_iddan terkait max(created_at). Tapi saya akan coba lagi besok!

Percobaan 2

Saya menemukan tautan ini: http://zogovic.com/post/44856908222/optimizing-postgresql-query-for-distinct-values Menggabungkan teknik ini dengan permintaan saya dari upaya 1, saya dapatkan:

WITH RECURSIVE equipment(id) AS (
    SELECT MIN(equipment_id) FROM geoposition_records
  UNION
    SELECT (
      SELECT equipment_id
      FROM geoposition_records
      WHERE equipment_id > equipment.id
      ORDER BY equipment_id
      LIMIT 1
    )
    FROM equipment WHERE id IS NOT NULL
)
SELECT id AS equipment_id, (SELECT MAX(created_at)
                            FROM geoposition_records
                            WHERE equipment_id = equipment.id
                           ) AS max_created_at
FROM equipment;

dan ini bekerja CEPAT! Tapi kamu butuh

1. formulir permintaan ultra-contorted ini, dan
2. indeks aktif geoposition_records(equipment_id, created_at desc).