用子查询计算非重复条目，加速五十倍！

摘要：很有用，但是却很慢计算非重复的数目是分析的一个灾难，显然，我们要在第一篇博文上讨论。在来看一下，图解可以清楚无误的表明原因。也许你下次计算非重复结果需要花费一天的时间，试着用子查询的方法减轻它的负载。

本文说的这个技术是通用的，但为了解释说明，我们选用了 PostgreSQL。感谢 pgAdminIII 提供的解释性插图，这些插图有很大帮助。

计算非重复的数目是SQL分析的一个灾难，显然，我们要在第一篇博文上讨论。

首先一点：我们如果有一个很大的数据集而且可以容忍它不精确。一个像 HyperLogLog 的概率统计器可能是你的首选（我们在以后的博客中会讲到HyperLogLog ），但是要追求快速精准的结果，子查询的方法会节省你很多时间。

让我们从一个简单的查询语句开始吧：哪一个dashboard用户访问的最频繁。

select
  dashboards.name, 
  count(distinct time_on_site_logs.user_id)
from time_on_site_logs 
join dashboards on time_on_site_logs.dashboard_id = dashboards.id
group by name
order by count desc

首先，让我们假设在user_id 和 dashboard_id上都有高效的索引，并且日志行数要比user_id 和 dashboard_id多很多。

仅仅一千万行数据，查询语句就花费了48秒的时间。知道为什么吗？让我们看一下明了的图解吧。

慢的原因是数据库要遍历dashboards表和logs表的所有记录，然后JOIN操作，然后排序，之后才进行实际需要的分组和聚集操作。

分组和聚集之后，一切数据库操作的代价都变小了，因为数据的数量变小了。在分组和聚集的时候，因为我们不需要dashboards.name，所以我们可以在JOIN操作前先进行聚集操作：

select
  dashboards.name,
  log_counts.ct
from dashboards
join (
  select
    dashboard_id,
    count(distinct user_id) as ct
  from time_on_site_logs 
  group by dashboard_id
) as log_counts 
on log_counts.dashboard_id = dashboards.id
order by log_counts.ct desc

语句运行了24秒，获得了2.4倍的性能提高。在来看一下，图解可以清楚无误的表明原因。

像我们预期地那样，join操作之前先进行了group-and-aggregate操作。快上加快，我们还可以在time_on_site_logs 表上加上索引。

我们还可以做的更好，我们对日志表做group-and-aggregate操作时，我们处理了一些无关的数据，其实没有必要。我们可以对每个分组上创建一个哈希集合,这样，在每个哈希桶中让每个dashboard_id 挑出那些需要被看到处理的数据。

不用做那么多工作，只用一个哈希集合，我们就可以先去除那些重复的值。然后我们在这个结果上做聚集操作。

select
  dashboards.name,
  log_counts.ct
from dashboards 
join (
  select distinct_logs.dashboard_id, 
  count(1) as ct
  from (
    select distinct dashboard_id, user_id
    from time_on_site_logs
  ) as distinct_logs
  group by distinct_logs.dashboard_id
) as log_counts 
on log_counts.dashboard_id = dashboards.id
order by log_counts.ct desc

我们让去重和分组聚集一步一步进行，分成两个阶段。首先在(dashboard_id, user_id)对上去重，然后在这基础上做简单快速的分组计算工作，JOIN操作还是放在最后。

让我们来揭晓最终效果：总共花费了0.7秒，是上一次的28倍，最初的68倍。

一般来说，数据大小和数据位置是很重要的，表中的属性字段的可能取值个数相对很少，所以才有那么明显的效果，与数据总量相比较，(user_id, dashboard_id) 对的不同值很少。越多的不同的值，各行的数据越分散，所以分组和计算它们花费越长的时间，果然天下没有白吃的午餐。

也许你下次计算非重复结果需要花费一天的时间，试着用子查询的方法减轻它的负载。

我们做了 Periscope，一个可以使SQL数据分析更快的工具。我们在这里分享一下我们的工具蕴含的算法和技术。你可以到我们的主页上注册，从而作为我们的新客户，我们可以通知你相关事宜。

原文：Use Subqueries to Count Distinct 50X Faster
转载于：伯乐在线 - sunbiaobiao