Consulta eficiente para obter o maior valor por grupo da tabela grande

Dada a tabela:

    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)

A tabela possui 20 milhões de registros que não são, relativamente falando, um grande número. Mas torna as verificações sequenciais lentas.

Como posso obter o último registro ( max(created_at)) de cada um equipment_id?

Eu tentei as duas consultas a seguir, com várias variantes que li através de muitas respostas deste tópico:

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;

Eu também tentei criar índices btree para, equipment_id,created_atmas o Postgres acha que usar um seqscan é mais rápido. Forçar enable_seqscan = offtambém não serve, pois a leitura do índice é tão lenta quanto a verificação seq, provavelmente pior.

A consulta deve ser executada periodicamente, retornando sempre a última.

Usando o Postgres 9.3.

Explique / analise (com 1,7 milhão de registros):

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"

Um índice simples de várias colunas b-tree deve funcionar:

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

Por que DESC NULLS LAST?

• Consulta de índice não utilizado no intervalo de datas

Função

Se você não conseguir entender o sentido do planejador de consultas, uma função que percorre a tabela de equipamentos deve fazer o truque. A procura de um equipment_id de cada vez usa o índice. Para um número pequeno (57 a julgar pela sua EXPLAIN ANALYZEsaída), isso é rápido.
É seguro assumir que você tem uma equipmentmesa?

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;

Também faz uma boa ligação:

SELECT * FROM f_latest_equip();

Subconsultas correlacionadas

Venha para pensar sobre isso, usando esta equipmenttabela, você pode trabalhar sujo com subconsultas pouco correlacionadas com grande efeito:

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;

O desempenho é muito bom.

LATERAL junte-se ao 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;

Explicação detalhada:

• Otimize a consulta GROUP BY para recuperar o registro mais recente por usuário

Desempenho semelhante ao da subconsulta correlacionada. Comparando o desempenho de max(), DISTINCT ON, função, correlacionado subconsulta e LATERALnisto:

SQL Fiddle .

Tentativa 1

E se

1. Eu tenho uma equipmentmesa separada e
2. Eu tenho um índice em geoposition_records(equipment_id, created_at desc)

então o seguinte funciona para mim:

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

Eu não era capaz de forçar PG para fazer uma consulta rápida para determinar tanto a lista de equipment_ids eo relacionado max(created_at). Mas vou tentar novamente amanhã!

Tentativa 2

Encontrei este link: http://zogovic.com/post/44856908222/optimizing-postgresql-query-for-distinct-values Combinando essa técnica com a minha consulta da tentativa 1, recebo:

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;

e isso funciona RÁPIDO! Mas você precisa

1. este formulário de consulta ultra-distorcido e
2. um índice ativado geoposition_records(equipment_id, created_at desc).