Referência
Testando os candidatos mais interessantes com Postgres 9.4 e 9.5 com uma mesa no meio do caminho realista de 200 mil linhas em purchases
e 10k distintacustomer_id
( avg. 20 linhas por cliente ).
Para o Postgres 9.5, realizei um segundo teste com 86446 clientes distintos. Veja abaixo ( média de 2,3 linhas por cliente ).
Configuração
Tabela principal
CREATE TABLE purchases (
id serial
, customer_id int -- REFERENCES customer
, total int -- could be amount of money in Cent
, some_column text -- to make the row bigger, more realistic
);
Eu uso um serial
(restrição de PK adicionada abaixo) e um número inteiro, customer_id
pois essa é uma configuração mais típica. Também adicionado some_column
para compensar tipicamente mais colunas.
Dados fictícios, PK, índice - uma tabela típica também possui algumas tuplas mortas:
INSERT INTO purchases (customer_id, total, some_column) -- insert 200k rows
SELECT (random() * 10000)::int AS customer_id -- 10k customers
, (random() * random() * 100000)::int AS total
, 'note: ' || repeat('x', (random()^2 * random() * random() * 500)::int)
FROM generate_series(1,200000) g;
ALTER TABLE purchases ADD CONSTRAINT purchases_id_pkey PRIMARY KEY (id);
DELETE FROM purchases WHERE random() > 0.9; -- some dead rows
INSERT INTO purchases (customer_id, total, some_column)
SELECT (random() * 10000)::int AS customer_id -- 10k customers
, (random() * random() * 100000)::int AS total
, 'note: ' || repeat('x', (random()^2 * random() * random() * 500)::int)
FROM generate_series(1,20000) g; -- add 20k to make it ~ 200k
CREATE INDEX purchases_3c_idx ON purchases (customer_id, total DESC, id);
VACUUM ANALYZE purchases;
customer
tabela - para consulta superior
CREATE TABLE customer AS
SELECT customer_id, 'customer_' || customer_id AS customer
FROM purchases
GROUP BY 1
ORDER BY 1;
ALTER TABLE customer ADD CONSTRAINT customer_customer_id_pkey PRIMARY KEY (customer_id);
VACUUM ANALYZE customer;
No meu segundo teste para a versão 9.5, usei a mesma configuração, mas com random() * 100000
para gerar customer_id
para obter apenas algumas linhas por customer_id
.
Tamanhos de objeto para tabela purchases
Gerado com esta consulta .
what | bytes/ct | bytes_pretty | bytes_per_row
-----------------------------------+----------+--------------+---------------
core_relation_size | 20496384 | 20 MB | 102
visibility_map | 0 | 0 bytes | 0
free_space_map | 24576 | 24 kB | 0
table_size_incl_toast | 20529152 | 20 MB | 102
indexes_size | 10977280 | 10 MB | 54
total_size_incl_toast_and_indexes | 31506432 | 30 MB | 157
live_rows_in_text_representation | 13729802 | 13 MB | 68
------------------------------ | | |
row_count | 200045 | |
live_tuples | 200045 | |
dead_tuples | 19955 | |
Consultas
WITH cte AS (
SELECT id, customer_id, total
, row_number() OVER(PARTITION BY customer_id ORDER BY total DESC) AS rn
FROM purchases
)
SELECT id, customer_id, total
FROM cte
WHERE rn = 1;
2. row_number()
na subconsulta (minha otimização)
SELECT id, customer_id, total
FROM (
SELECT id, customer_id, total
, row_number() OVER(PARTITION BY customer_id ORDER BY total DESC) AS rn
FROM purchases
) sub
WHERE rn = 1;
SELECT DISTINCT ON (customer_id)
id, customer_id, total
FROM purchases
ORDER BY customer_id, total DESC, id;
4. rCTE com LATERAL
subconsulta ( veja aqui )
WITH RECURSIVE cte AS (
( -- parentheses required
SELECT id, customer_id, total
FROM purchases
ORDER BY customer_id, total DESC
LIMIT 1
)
UNION ALL
SELECT u.*
FROM cte c
, LATERAL (
SELECT id, customer_id, total
FROM purchases
WHERE customer_id > c.customer_id -- lateral reference
ORDER BY customer_id, total DESC
LIMIT 1
) u
)
SELECT id, customer_id, total
FROM cte
ORDER BY customer_id;
5. customer
mesa com LATERAL
( veja aqui )
SELECT l.*
FROM customer c
, LATERAL (
SELECT id, customer_id, total
FROM purchases
WHERE customer_id = c.customer_id -- lateral reference
ORDER BY total DESC
LIMIT 1
) l;
SELECT (array_agg(id ORDER BY total DESC))[1] AS id
, customer_id
, max(total) AS total
FROM purchases
GROUP BY customer_id;
Resultados
Tempo de execução para as consultas acima com EXPLAIN ANALYZE
(e todas as opções desativadas ), o melhor de 5 execuções .
Todas as consultas utilizaram uma Varredura por Índice Apenaspurchases2_3c_idx
(entre outras etapas). Alguns deles apenas para o tamanho menor do índice, outros de forma mais eficaz.
A. Postgres 9.4 com 200 mil linhas e ~ 20 por customer_id
1. 273.274 ms
2. 194.572 ms
3. 111.067 ms
4. 92.922 ms
5. 37.679 ms -- winner
6. 189.495 ms
B. O mesmo com o Postgres 9.5
1. 288.006 ms
2. 223.032 ms
3. 107.074 ms
4. 78.032 ms
5. 33.944 ms -- winner
6. 211.540 ms
C. O mesmo que B., mas com ~ 2,3 linhas por customer_id
1. 381.573 ms
2. 311.976 ms
3. 124.074 ms -- winner
4. 710.631 ms
5. 311.976 ms
6. 421.679 ms
Referências relacionadas
Aqui está um novo teste "ogr" com 10 milhões de linhas e 60 mil "clientes" únicos no Postgres 11.5 (atual em setembro de 2019). Os resultados ainda estão alinhados com o que vimos até agora:
Referência original (desatualizada) de 2011
Eu executei três testes com o PostgreSQL 9.1 em uma tabela da vida real de 65579 linhas e índices btree de coluna única em cada uma das três colunas envolvidas e aproveitei o melhor tempo de execução de 5 execuções.
Comparando a primeira consulta do @OMGPonies ( A
) com a solução acimaDISTINCT ON
( B
):
Selecione a tabela inteira, resultando em 5958 linhas neste caso.
A: 567.218 ms
B: 386.673 ms
Use a condição WHERE customer BETWEEN x AND y
resultante em 1000 linhas.
A: 249.136 ms
B: 55.111 ms
Selecione um único cliente com WHERE customer = x
.
A: 0.143 ms
B: 0.072 ms
Mesmo teste repetido com o índice descrito na outra resposta
CREATE INDEX purchases_3c_idx ON purchases (customer, total DESC, id);
1A: 277.953 ms
1B: 193.547 ms
2A: 249.796 ms -- special index not used
2B: 28.679 ms
3A: 0.120 ms
3B: 0.048 ms
MAX(total)
?