Indeks untuk query SQL dengan kondisi WHERE dan GROUP BY

Saya mencoba menentukan indeks mana yang akan digunakan untuk permintaan SQL dengan WHEREkondisi dan GROUP BYyang saat ini berjalan sangat lambat.

Permintaan saya:

SELECT group_id
FROM counter
WHERE ts between timestamp '2014-03-02 00:00:00.0' and timestamp '2014-03-05 12:00:00.0'
GROUP BY group_id

Tabel saat ini memiliki 32.000.000 baris. Waktu eksekusi permintaan meningkat banyak ketika saya meningkatkan kerangka waktu.

Tabel tersebut terlihat seperti ini:

CREATE TABLE counter (
    id bigserial PRIMARY KEY
  , ts timestamp NOT NULL
  , group_id bigint NOT NULL
);

Saat ini saya memiliki indeks berikut, tetapi kinerjanya masih lambat:

CREATE INDEX ts_index
  ON counter
  USING btree
  (ts);

CREATE INDEX group_id_index
  ON counter
  USING btree
  (group_id);

CREATE INDEX comp_1_index
  ON counter
  USING btree
  (ts, group_id);

CREATE INDEX comp_2_index
  ON counter
  USING btree
  (group_id, ts);

Menjalankan EXPLAIN pada kueri memberikan hasil berikut:

"QUERY PLAN"
"HashAggregate  (cost=467958.16..467958.17 rows=1 width=4)"
"  ->  Index Scan using ts_index on counter  (cost=0.56..467470.93 rows=194892 width=4)"
"        Index Cond: ((ts >= '2014-02-26 00:00:00'::timestamp without time zone) AND (ts <= '2014-02-27 23:59:00'::timestamp without time zone))"

SQL Fiddle dengan contoh data: http://sqlfiddle.com/#!15/7492b/1

Pertanyaan

Dapatkah kinerja kueri ini ditingkatkan dengan menambahkan indeks yang lebih baik, atau haruskah saya meningkatkan kekuatan pemrosesan?

Edit 1

PostgreSQL versi 9.3.2 digunakan.

Edit 2

Saya mencoba proposal @Erwin dengan EXISTS:

SELECT group_id
FROM   groups g
WHERE  EXISTS (
   SELECT 1
   FROM   counter c
   WHERE  c.group_id = g.group_id
   AND    ts BETWEEN timestamp '2014-03-02 00:00:00'
                 AND timestamp '2014-03-05 12:00:00'
   );

Namun sayangnya ini tampaknya tidak meningkatkan kinerja. Rencana Kueri:

"QUERY PLAN"
"Nested Loop Semi Join  (cost=1607.18..371680.60 rows=113 width=4)"
"  ->  Seq Scan on groups g  (cost=0.00..2.33 rows=133 width=4)"
"  ->  Bitmap Heap Scan on counter c  (cost=1607.18..158895.53 rows=60641 width=4)"
"        Recheck Cond: ((group_id = g.id) AND (ts >= '2014-01-01 00:00:00'::timestamp without time zone) AND (ts <= '2014-03-05 12:00:00'::timestamp without time zone))"
"        ->  Bitmap Index Scan on comp_2_index  (cost=0.00..1592.02 rows=60641 width=0)"
"              Index Cond: ((group_id = g.id) AND (ts >= '2014-01-01 00:00:00'::timestamp without time zone) AND (ts <= '2014-03-05 12:00:00'::timestamp without time zone))"

Edit 3

Paket permintaan untuk permintaan LATERAL dari ypercube:

"QUERY PLAN"
"Nested Loop  (cost=8.98..1200.42 rows=133 width=20)"
"  ->  Seq Scan on groups g  (cost=0.00..2.33 rows=133 width=4)"
"  ->  Result  (cost=8.98..8.99 rows=1 width=0)"
"        One-Time Filter: ($1 IS NOT NULL)"
"        InitPlan 1 (returns $1)"
"          ->  Limit  (cost=0.56..4.49 rows=1 width=8)"
"                ->  Index Only Scan using comp_2_index on counter c  (cost=0.56..1098691.21 rows=279808 width=8)"
"                      Index Cond: ((group_id = $0) AND (ts IS NOT NULL) AND (ts >= '2010-03-02 00:00:00'::timestamp without time zone) AND (ts <= '2014-03-05 12:00:00'::timestamp without time zone))"
"        InitPlan 2 (returns $2)"
"          ->  Limit  (cost=0.56..4.49 rows=1 width=8)"
"                ->  Index Only Scan Backward using comp_2_index on counter c_1  (cost=0.56..1098691.21 rows=279808 width=8)"
"                      Index Cond: ((group_id = $0) AND (ts IS NOT NULL) AND (ts >= '2010-03-02 00:00:00'::timestamp without time zone) AND (ts <= '2014-03-05 12:00:00'::timestamp without time zone))"

Gagasan lain, yang juga menggunakan groupstabel dan konstruksi yang disebut LATERALjoin (untuk penggemar SQL-Server, ini hampir identik dengan OUTER APPLY). Ini memiliki keuntungan bahwa agregat dapat dihitung dalam subquery:

SELECT group_id, min_ts, max_ts
FROM   groups g,                    -- notice the comma here, is required
  LATERAL 
       ( SELECT MIN(ts) AS min_ts,
                MAX(ts) AS max_ts
         FROM counter c
         WHERE c.group_id = g.group_id
           AND c.ts BETWEEN timestamp '2011-03-02 00:00:00'
                        AND timestamp '2013-03-05 12:00:00'
       ) x 
WHERE min_ts IS NOT NULL ;

Tes di SQL-Fiddle menunjukkan bahwa kueri melakukan pemindaian indeks pada (group_id, ts)indeks.

Rencana serupa diproduksi menggunakan 2 gabungan lateral, satu untuk min dan satu untuk maks dan juga dengan 2 subquery berkorelasi sebaris. Mereka juga dapat digunakan jika Anda perlu menunjukkan seluruh counterbaris selain tanggal min dan maks:

SELECT group_id, 
       min_ts, min_ts_id, 
       max_ts, max_ts_id 
FROM   groups g
  , LATERAL 
       ( SELECT ts AS min_ts, c.id AS min_ts_id
         FROM counter c
         WHERE c.group_id = g.group_id
           AND c.ts BETWEEN timestamp '2012-03-02 00:00:00'
                        AND timestamp '2014-03-05 12:00:00'
         ORDER BY ts ASC
         LIMIT 1
       ) xmin
  , LATERAL 
       ( SELECT ts AS max_ts, c.id AS max_ts_id
         FROM counter c
         WHERE c.group_id = g.group_id
           AND c.ts BETWEEN timestamp '2012-03-02 00:00:00'
                        AND timestamp '2014-03-05 12:00:00'
         ORDER BY ts DESC 
         LIMIT 1
       ) xmax
WHERE min_ts IS NOT NULL ;

Karena Anda tidak memiliki agregat dalam daftar pilih, maka group byhampir sama dengan menempatkan a distinctdalam daftar pilih, kan?

Jika itu yang Anda inginkan, Anda mungkin bisa mendapatkan pencarian indeks cepat di comp_2_index dengan menulis ulang ini untuk menggunakan permintaan rekursif, seperti yang dijelaskan pada wiki PostgreSQL .

Buat tampilan untuk secara efisien mengembalikan group_ids yang berbeda:

create or replace view groups as
WITH RECURSIVE t AS (
             SELECT min(counter.group_id) AS group_id
               FROM counter
    UNION ALL
             SELECT ( SELECT min(counter.group_id) AS min
                       FROM counter
                      WHERE counter.group_id > t.group_id) AS min
               FROM t
              WHERE t.group_id IS NOT NULL
    )
     SELECT t.group_id
       FROM t
      WHERE t.group_id IS NOT NULL
UNION ALL
     SELECT NULL::bigint AS col
      WHERE (EXISTS ( SELECT counter.id,
                counter.ts,
                counter.group_id
               FROM counter
              WHERE counter.group_id IS NULL));

Dan kemudian gunakan tampilan itu di tempat tabel pencarian di existssemi-join Erwin .

Karena hanya ada 133 different group_id's, Anda dapat menggunakan integer(atau bahkan smallint) untuk group_id. Ini tidak akan membeli banyak, karena padding hingga 8 byte akan memakan sisanya di meja Anda dan kemungkinan indeks multikolom. Pemrosesan polos integerharus sedikit lebih cepat. Lebih lanjut tentang intvsint2 .

CREATE TABLE counter (
    id bigserial PRIMARY KEY
  , ts timestamp NOT NULL
  , group_id int NOT NULL
);

@ Leo: cap waktu disimpan sebagai bilangan bulat 8-byte dalam instalasi modern dan dapat diproses dengan sangat cepat. Detail

@ ypercube: Indeks aktif (group_id, ts)tidak dapat membantu, karena tidak ada kondisi pada group_idkueri.

Masalah utama Anda adalah banyaknya data yang harus diproses:

Pindaian indeks menggunakan ts_index on counter (biaya = 0,56.,467470,93 baris = 194892 lebar = 4)

Saya melihat Anda hanya tertarik pada keberadaan group_id, dan tidak ada hitungan yang sebenarnya. Juga, hanya ada 133 group_ids berbeda . Karenanya, kueri Anda dapat dipenuhi dengan klik pertama per gorup_iddalam kerangka waktu. Karenanya saran ini untuk kueri alternatif dengan EXISTSsemi-gabung :

Dengan asumsi tabel pencarian untuk grup:

SELECT group_id
FROM   groups g
WHERE  EXISTS (
   SELECT 1
   FROM   counter c
   WHERE  c.group_id = g.group_id
   AND    ts BETWEEN timestamp '2014-03-02 00:00:00'
                 AND timestamp '2014-03-05 12:00:00'
   );

Indeks Anda comp_2_indexdi (group_id, ts)menjadi instrumen sekarang.

SQL Fiddle (membangun biola yang disediakan oleh @ypercube di komentar)

Di sini, kueri lebih memilih indeks aktif (ts, group_id) , tapi saya pikir itu karena pengaturan tes dengan cap waktu "berkerumun". Jika Anda menghapus indeks dengan memimpin ts( lebih lanjut tentang itu ), perencana dengan senang hati akan menggunakan indeks (group_id, ts)juga - terutama dalam Pemindaian Indeks Saja .

Jika berhasil, Anda mungkin tidak memerlukan peningkatan lain yang mungkin: data pra-agregat dalam tampilan terwujud untuk secara drastis mengurangi jumlah baris. Ini akan masuk akal secara khusus, jika Anda juga membutuhkan penghitungan aktual tambahan. Maka Anda memiliki biaya untuk memproses banyak baris sekaligus saat memperbarui mv. Anda bahkan dapat menggabungkan agregat harian dan per jam (dua tabel terpisah) dan menyesuaikan kueri Anda dengan itu.

Apakah kerangka waktu dalam kueri Anda sewenang-wenang? Atau sebagian besar pada menit / jam / hari penuh?

CREATE MATERIALIZED VIEW counter_mv AS
SELECT date_trunc('hour', ts) AS hour
     , group_id
     , count(*) AS ct
GROUP BY 1,2
ORDER BY 1,2;

Buat indeks yang diperlukan pada counter_mvdan sesuaikan kueri Anda untuk bekerja dengannya ...