sql - PostgreSQL - 获取列的最大值的行

Question

我正在处理一个 Postgres 表（称为“lives”），其中包含带有 time_stamp、usr_id、transaction_id 和 live_remaining 列的记录。我需要一个查询，该查询将为我提供每个 usr_id 的最新 lives_remaining 总数

有多个用户（不同的 usr_id）
time_stamp 不是唯一标识符：有时用户事件（在表中逐行）会以相同的 time_stamp 发生。
trans_id 仅在非常小的时间范围内是唯一的：随着时间的推移它会重复
剩余寿命（对于给定用户）可以随时间增加和减少

例子：

time_stamp|lives_remaining|usr_id|trans_id
-----------------------------------------
  07:00 | 1 | 1 | 1    
  09:00 | 4 | 2 | 2    
  10:00 | 2 | 3 | 3    
  10:00 | 1 | 2 | 4    
  11:00 | 4 | 1 | 5    
  11:00 | 3 | 1 | 6    
  13:00 | 3 | 3 | 1

因为我需要使用每个给定 usr_id 的最新数据访问行的其他列，所以我需要一个查询，它会给出如下结果：

time_stamp|lives_remaining|usr_id|trans_id
-----------------------------------------
  11:00 | 3 | 1 | 6    
  10:00 | 1 | 2 | 4    
  13:00 | 3 | 3 | 1

如前所述，每个 usr_id 都可能获得或失去生命，有时这些带时间戳的事件发生得如此接近以至于它们具有相同的时间戳！因此，此查询将不起作用：

SELECT b.time_stamp,b.lives_remaining,b.usr_id,b.trans_id FROM 
      (SELECT usr_id, max(time_stamp) AS max_timestamp 
       FROM lives GROUP BY usr_id ORDER BY usr_id) a 
JOIN lives b ON a.max_timestamp = b.time_stamp

相反，我需要同时使用 time_stamp（第一）和 trans_id（第二）来识别正确的行。然后，我还需要将该信息从子查询传递到主查询，主查询将为相应行的其他列提供数据。这是我已经开始工作的黑客查询：

SELECT b.time_stamp,b.lives_remaining,b.usr_id,b.trans_id FROM 
      (SELECT usr_id, max(time_stamp || '*' || trans_id) 
       AS max_timestamp_transid
       FROM lives GROUP BY usr_id ORDER BY usr_id) a 
JOIN lives b ON a.max_timestamp_transid = b.time_stamp || '*' || b.trans_id 
ORDER BY b.usr_id

好的，所以这行得通，但我不喜欢它。它需要一个查询中的一个查询，一个自连接，在我看来，通过抓取 MAX 发现具有最大时间戳和 trans_id 的行可以更简单。表“lives”有数千万行要解析，所以我希望这个查询尽可能快速和高效。我尤其是 RDBM 和 Postgres 的新手，所以我知道我需要有效地使用正确的索引。我对如何优化有点迷茫。

我在这里找到了类似的讨论。我可以执行某种与 Oracle 分析功能等效的 Postgres 类型吗？

任何有关访问聚合函数（如 MAX）使用的相关列信息、创建索引和创建更好的查询的建议将不胜感激！

PS您可以使用以下内容创建我的示例案例：

create TABLE lives (time_stamp timestamp, lives_remaining integer, 
                    usr_id integer, trans_id integer);
insert into lives values ('2000-01-01 07:00', 1, 1, 1);
insert into lives values ('2000-01-01 09:00', 4, 2, 2);
insert into lives values ('2000-01-01 10:00', 2, 3, 3);
insert into lives values ('2000-01-01 10:00', 1, 2, 4);
insert into lives values ('2000-01-01 11:00', 4, 1, 5);
insert into lives values ('2000-01-01 11:00', 3, 1, 6);
insert into lives values ('2000-01-01 13:00', 3, 3, 1);

score 128 · Accepted Answer

我会提出一个基于DISTINCT ON（参见文档）的干净版本：

SELECT DISTINCT ON (usr_id)
    time_stamp,
    lives_remaining,
    usr_id,
    trans_id
FROM lives
ORDER BY usr_id, time_stamp DESC, trans_id DESC;

score 113 · Accepted Answer

在有 158k 伪随机行的表上（usr_id 均匀分布在 0 和 10k 之间，trans_id均匀分布在 0 和 30 之间），

通过查询成本，下面，我指的是 Postgres 基于成本的优化器的成本估算（使用 Postgres 的默认xxx_cost值），它是对所需 I/O 和 CPU 资源的加权函数估算；您可以通过启动 PgAdminIII 并在“查询/解释选项”设置为“分析”的查询上运行“查询/解释 (F7)”来获得此信息

Quassnoy 的查询的成本估计为 745k (!)，并在 1.3 秒内完成（给定 ( usr_id, trans_id, time_stamp) 上的复合索引）
Bill 的查询的成本估计为 93k，并在 2.9 秒内完成（给定 ( usr_id, trans_id) 上的复合索引）
下面的查询 #1的成本估计为 16k，并在 800 毫秒内完成（给定 ( usr_id, trans_id, time_stamp) 上的复合索引）
下面的查询 #2的成本估计为 14k，并在 800 毫秒内完成（给定 ( usr_id, EXTRACT(EPOCH FROM time_stamp), trans_id) 上的复合函数索引）
- 这是 Postgres 特有的
下面的查询 #3 (Postgres 8.4+) 的成本估算和完成时间与查询 #2 相当（或更好）（给定 ( usr_id, time_stamp, trans_id) 上的复合索引）；它的优点是lives只扫描一次表，如果您临时增加（如果需要）work_mem以适应内存中的排序，它将是迄今为止所有查询中最快的。

以上所有时间都包括检索完整的 10k 行结果集。

您的目标是最小成本估算和最小查询执行时间，重点是估算成本。查询执行可能很大程度上取决于运行时条件（例如，相关行是否已经完全缓存在内存中），而成本估计则不然。另一方面，请记住，成本估算正是一个估算。

最佳查询执行时间是在无负载的专用数据库上运行时获得的（例如，在开发 PC 上使用 pgAdminIII）。查询时间将根据实际机器负载/数据访问分布在生产中有所不同。当一个查询看起来比另一个查询稍快（<20%）但成本高得多时，选择执行时间更长但成本更低的查询通常会更明智。

如果您希望在运行查询时生产机器上不会有内存竞争（例如，RDBMS 缓存和文件系统缓存不会被并发查询和/或文件系统活动破坏），那么您获得的查询时间在独立模式下（例如开发 PC 上的 pgAdminIII）模式将具有代表性。如果生产系统存在争用，查询时间将与估计的成本比率成比例下降，因为成本较低的查询不那么依赖缓存，而成本较高的查询将一遍又一遍地重新访问相同的数据（触发在没有稳定缓存的情况下额外的 I/O），例如：

              cost | time (dedicated machine) |     time (under load) |
-------------------+--------------------------+-----------------------+
some query A:   5k | (all data cached)  900ms | (less i/o)     1000ms |
some query B:  50k | (all data cached)  900ms | (lots of i/o) 10000ms |

不要忘记ANALYZE lives在创建必要的索引后运行一次。

查询 #1

-- incrementally narrow down the result set via inner joins
--  the CBO may elect to perform one full index scan combined
--  with cascading index lookups, or as hash aggregates terminated
--  by one nested index lookup into lives - on my machine
--  the latter query plan was selected given my memory settings and
--  histogram
SELECT
  l1.*
 FROM
  lives AS l1
 INNER JOIN (
    SELECT
      usr_id,
      MAX(time_stamp) AS time_stamp_max
     FROM
      lives
     GROUP BY
      usr_id
  ) AS l2
 ON
  l1.usr_id     = l2.usr_id AND
  l1.time_stamp = l2.time_stamp_max
 INNER JOIN (
    SELECT
      usr_id,
      time_stamp,
      MAX(trans_id) AS trans_max
     FROM
      lives
     GROUP BY
      usr_id, time_stamp
  ) AS l3
 ON
  l1.usr_id     = l3.usr_id AND
  l1.time_stamp = l3.time_stamp AND
  l1.trans_id   = l3.trans_max

查询 #2

-- cheat to obtain a max of the (time_stamp, trans_id) tuple in one pass
-- this results in a single table scan and one nested index lookup into lives,
--  by far the least I/O intensive operation even in case of great scarcity
--  of memory (least reliant on cache for the best performance)
SELECT
  l1.*
 FROM
  lives AS l1
 INNER JOIN (
   SELECT
     usr_id,
     MAX(ARRAY[EXTRACT(EPOCH FROM time_stamp),trans_id])
       AS compound_time_stamp
    FROM
     lives
    GROUP BY
     usr_id
  ) AS l2
ON
  l1.usr_id = l2.usr_id AND
  EXTRACT(EPOCH FROM l1.time_stamp) = l2.compound_time_stamp[1] AND
  l1.trans_id = l2.compound_time_stamp[2]

2013/01/29 更新

最后，从 8.4 版开始，Postgres 支持窗口函数，这意味着您可以编写如下简单高效的东西：

查询 #3

-- use Window Functions
-- performs a SINGLE scan of the table
SELECT DISTINCT ON (usr_id)
  last_value(time_stamp) OVER wnd,
  last_value(lives_remaining) OVER wnd,
  usr_id,
  last_value(trans_id) OVER wnd
 FROM lives
 WINDOW wnd AS (
   PARTITION BY usr_id ORDER BY time_stamp, trans_id
   ROWS BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING
 );

score 10 · Accepted Answer

这是另一种方法，恰好不使用相关子查询或 GROUP BY。我不是 PostgreSQL 性能调优方面的专家，所以我建议你试试这个和其他人给出的解决方案，看看哪个更适合你。

SELECT l1.*
FROM lives l1 LEFT OUTER JOIN lives l2
  ON (l1.usr_id = l2.usr_id AND (l1.time_stamp < l2.time_stamp 
   OR (l1.time_stamp = l2.time_stamp AND l1.trans_id < l2.trans_id)))
WHERE l2.usr_id IS NULL
ORDER BY l1.usr_id;

我假设它trans_id至少在任何给定的值上都是唯一的time_stamp。

score 7 · Accepted Answer

我喜欢您提到的另一页上迈克伍德豪斯的回答风格。当被最大化的东西只是一个列时，它特别简洁，在这种情况下，子查询可以只使用其他列MAX(some_col)，GROUP BY但是在你的情况下，你有一个两部分的数量要最大化，你仍然可以通过使用来做到这一点ORDER BY加上LIMIT 1代替（正如Quassnoi所做的那样）：

SELECT * 
FROM lives outer
WHERE (usr_id, time_stamp, trans_id) IN (
    SELECT usr_id, time_stamp, trans_id
    FROM lives sq
    WHERE sq.usr_id = outer.usr_id
    ORDER BY trans_id, time_stamp
    LIMIT 1
)

我发现使用 row-constructor 语法WHERE (a, b, c) IN (subquery)很好，因为它减少了所需的废话量。

score 6 · Accepted Answer

Postgressql 9.5 中有一个名为 DISTINCT ON 的新选项

SELECT DISTINCT ON (location) location, time, report
    FROM weather_reports
    ORDER BY location, time DESC;

它消除了重复的行，只留下 ORDER BY 子句定义的第一行。

见官方文档

score 4 · Accepted Answer

实际上，这个问题有一个 hacky 解决方案。假设您要选择一个区域中每个森林中最大的树。

SELECT (array_agg(tree.id ORDER BY tree_size.size)))[1]
FROM tree JOIN forest ON (tree.forest = forest.id)
GROUP BY forest.id

当您按森林对树木进行分组时，将会有一个未排序的树木列表，您需要找到最大的树木。您应该做的第一件事是按行的大小对行进行排序，然后选择列表中的第一个。它可能看起来效率低下，但如果您有数百万行，它将比包含JOIN's 和WHERE条件的解决方案快得多。

顺便说一句，请注意ORDER_BYforarray_agg是在 Postgresql 9.0 中引入的

score 1 · Accepted Answer

SELECT  l.*
FROM    (
        SELECT DISTINCT usr_id
        FROM   lives
        ) lo, lives l
WHERE   l.ctid = (
        SELECT ctid
        FROM   lives li
        WHERE  li.usr_id = lo.usr_id
        ORDER BY
          time_stamp DESC, trans_id DESC
        LIMIT 1
        )

在上创建索引(usr_id, time_stamp, trans_id)将大大改进此查询。

PRIMARY KEY你应该总是，总是在你的桌子上有某种东西。

score 1 · Accepted Answer

你可以用窗口函数来做

SELECT t.*
FROM
    (SELECT
        *,
        ROW_NUMBER() OVER(PARTITION BY usr_id ORDER BY time_stamp DESC) as r
    FROM lives) as t
WHERE t.r = 1

score 0 · Accepted Answer

我认为您在这里遇到了一个主要问题：没有单调递增的“计数器”来保证给定行发生的时间晚于另一行。举个例子：

timestamp   lives_remaining   user_id   trans_id
10:00       4                 3         5
10:00       5                 3         6
10:00       3                 3         1
10:00       2                 3         2

您无法从该数据中确定哪个是最新条目。是第二个还是最后一个？没有排序或 max() 函数可以应用于任何这些数据来给你正确的答案。

增加时间戳的分辨率将是一个巨大的帮助。由于数据库引擎对请求进行序列化，因此通过足够的分辨率，您可以保证没有两个时间戳相同。

或者，使用在很长一段时间内都不会翻转的 trans_id。拥有翻转的 trans_id 意味着您无法判断（对于相同的时间戳） trans_id 6 是否比 trans_id 1 更新，除非您进行一些复杂的数学运算。

sql - PostgreSQL - 获取列的最大值的行

9 回答 9

Related

Reference