PostgreSQL任意列組合條件行數估算實踐-取樣估算

postgres=# create table tbl1(c1 int, c2 int, c3 int, c4 int, c5 int, c6 timestamp);  
CREATE TABLE  
postgres=# insert into tbl1 select random()*100, random()*10, random()*50, random()*20, random()*5000, clock_timestamp()  from generate_series(1,50000000);  
INSERT 0 50000000  
postgres=# analyze tbl1;  
ANALYZE

2、觀察多列、單列條件的行評估是否準確

兩列AND條件，非常準確（評估53562，實際50354 ）

postgres=# select count(*) from tbl1 where c1=1 and c2=1;  
 count   
-------  
 50354  
(1 row)  
  
postgres=# explain select * from tbl1 where c1=1 and c2=1;  
                                 QUERY PLAN                                    
-----------------------------------------------------------------------------  
 Gather  (cost=1000.00..686505.00 rows=53562 width=28)  
   Workers Planned: 2  
   ->  Parallel Seq Scan on tbl1  (cost=0.00..680148.80 rows=22318 width=28)  
         Filter: ((c1 = 1) AND (c2 = 1))  
(4 rows)

兩列OR條件，非常準確（評估5558119，實際5451751 ）

postgres=# explain select * from tbl1 where c1=1 or c2=1;  
                           QUERY PLAN                              
-----------------------------------------------------------------  
 Seq Scan on tbl1  (cost=0.00..1117649.92 rows=5558119 width=28)  
   Filter: ((c1 = 1) OR (c2 = 1))  
(2 rows)  
  
postgres=# select count(*) from tbl1 where c1=1 or c2=1;  
  count    
---------  
 5451751  
(1 row)

三列AND條件，非常準確（評估10，實際12 ）

postgres=# explain analyze select * from tbl1 where c1=1 and c2=1 and c5=99;  
                                                       QUERY PLAN                                                         
------------------------------------------------------------------------------------------------------------------------  
 Gather  (cost=1000.00..733233.27 rows=10 width=28) (actual time=41.413..1422.724 rows=12 loops=1)  
   Workers Planned: 2  
   Workers Launched: 2  
   ->  Parallel Seq Scan on tbl1  (cost=0.00..732232.27 rows=4 width=28) (actual time=273.134..1420.060 rows=4 loops=3)  
         Filter: ((c1 = 1) AND (c2 = 1) AND (c5 = 99))  
         Rows Removed by Filter: 16666663  
 Planning time: 0.126 ms  
 Execution time: 1424.440 ms  
(8 rows)

但是，所有情況都能準確嗎？

當資料出現傾斜時，可能就沒那麼準確了。

3、再次寫入5000萬資料，此次c2,c3,c4,c5使用固定值，使其傾斜。

postgres=# insert into tbl1 select random()*100, 10, 50, 20, 5000, clock_timestamp()  from generate_series(1,50000000);  
INSERT 0 50000000  
  
postgres=# analyze tbl1;  
ANALYZE

4、非傾斜值的評估，依舊準確

postgres=# explain analyze select * from tbl1 where c1=1 and c2=1 and c5=99;  
                                                       QUERY PLAN                                                          
-------------------------------------------------------------------------------------------------------------------------  
 Gather  (cost=1000.00..1465464.64 rows=21 width=28) (actual time=362.359..3084.858 rows=12 loops=1)  
   Workers Planned: 2  
   Workers Launched: 2  
   ->  Parallel Seq Scan on tbl1  (cost=0.00..1464462.54 rows=9 width=28) (actual time=154.661..3082.340 rows=4 loops=3)  
         Filter: ((c1 = 1) AND (c2 = 1) AND (c5 = 99))  
         Rows Removed by Filter: 33333329  
 Planning time: 0.099 ms  
 Execution time: 3086.687 ms  
(8 rows)

5、對於傾斜值，評估偏差很大（評估12702，實際0 ）

postgres=# explain analyze select * from tbl1 where c1=1 and c2=1 and c5=5000 and c4=20;  
                                                         QUERY PLAN                                                            
-----------------------------------------------------------------------------------------------------------------------------  
 Gather  (cost=1000.00..1570899.53 rows=12702 width=28) (actual time=2834.241..2834.241 rows=0 loops=1)  
   Workers Planned: 2  
   Workers Launched: 2  
   ->  Parallel Seq Scan on tbl1  (cost=0.00..1568629.33 rows=5292 width=28) (actual time=2831.777..2831.777 rows=0 loops=3)  
         Filter: ((c1 = 1) AND (c2 = 1) AND (c5 = 5000) AND (c4 = 20))  
         Rows Removed by Filter: 33333333  
 Planning time: 0.144 ms  
 Execution time: 2836.049 ms  
(8 rows)

6、調整目標列的統計資訊柱狀圖，擴大到1000。

postgres=# alter table tbl1 alter COLUMN c5 set statistics 1000;  
ALTER TABLE  
postgres=# alter table tbl1 alter COLUMN c4 set statistics 1000;  
ALTER TABLE  
postgres=# alter table tbl1 alter COLUMN c1 set statistics 1000;  
ALTER TABLE  
postgres=# alter table tbl1 alter COLUMN c2 set statistics 1000;  
ALTER TABLE  
postgres=# analyze tbl1;  
ANALYZE

7、行評估依舊不準確（評估13034，實際0 ）

postgres=# explain analyze select * from tbl1 where c1=1 and c2=1 and c5=5000 and c4=20;  
                                                         QUERY PLAN                                                            
-----------------------------------------------------------------------------------------------------------------------------  
 Gather  (cost=1000.00..1570932.73 rows=13034 width=28) (actual time=2852.150..2852.150 rows=0 loops=1)  
   Workers Planned: 2  
   Workers Launched: 2  
   ->  Parallel Seq Scan on tbl1  (cost=0.00..1568629.33 rows=5431 width=28) (actual time=2849.510..2849.510 rows=0 loops=3)  
         Filter: ((c1 = 1) AND (c2 = 1) AND (c5 = 5000) AND (c4 = 20))  
         Rows Removed by Filter: 33333333  
 Planning time: 0.181 ms  
 Execution time: 2853.844 ms  
(8 rows)

那麼這個問題無解了嗎？實際上PG提供了取樣查詢的介面，我們通過取樣查詢能夠實現高效、準確的評估。

《秒級任意維度分析1TB級大表 – 通過取樣估值滿足高效TOP N等統計分析需求》

內建了4種取樣介面，我們這裡用到的是基於BLOCK級別的百分比取樣。

取樣百分之一，COUNT值乘以100就是評估行數。如果取樣百分之5的話，COUNT值乘以20就是評估行數。

實際上取樣百分之一，評估已經非常準確了。

postgres=# select count(*) from ( SELECT * FROM tbl1 TABLESAMPLE SYSTEM(1)) t where c1=1 and c2=1 and c5=5000 and c4=20;  
 count   
-------  
     0  
(1 row)  
Time: 104.212 ms  
  
postgres=# select count(*) from ( SELECT * FROM tbl1 TABLESAMPLE SYSTEM(1)) t where c1=1 and c2=1 and c5=5000 ;  
 count   
-------  
     0  
(1 row)  
Time: 107.088 ms  
  
postgres=# select count(*) from tbl1 where c1=1 and c2=1 and c5=5000;  
 count   
-------  
     2  
(1 row)  
Time: 2838.372 ms (00:02.838)

postgres=# select count(*) from ( SELECT * FROM tbl1 TABLESAMPLE SYSTEM(1)) t where c1=1 and c2=1 ;  
 count   
-------  
   552  
(1 row)  
  
Time: 100.066 ms  
  
postgres=# select count(*) from tbl1 where c1=1 and c2=1 ;  
 count   
-------  
 50354  
(1 row)  
Time: 2546.602 ms (00:02.547)

1億條記錄，取樣百分之一，大概耗時100毫秒。相比直接全表掃描還是節約了不少成本的。

小結

通過取樣查詢，我們實現了任意維度條件過濾的行評估，相比傳統的行評估演算法，精確度提高了不少，在1億資料量的情況下，取樣百分之一，耗時約100毫秒。

參考

《PostgreSQL Oracle 相容性之 – 資料取樣與脫敏》

《PostgreSQL pg_stats used to estimate top N freps values and explain rows》

《PostgreSQL 優化器行評估演算法》

《妙用explain Plan Rows快速估算行 – 分頁數估算》

《秒級任意維度分析1TB級大表 – 通過取樣估值滿足高效TOP N等統計分析需求》

《PostgreSQL 10 黑科技 – 自定義統計資訊》

修改單列統計資訊柱狀圖精度，預設是100全域性default_statistics_target引數控制。

postgres=# alter table tbl1 alter COLUMN c5 set statistics 1000;  
ALTER TABLE  
Time: 0.786 ms  
  
postgres=# analyze tbl1;  
ANALYZE  
Time: 2157.194 ms (00:02.157)

《Greenplum 最佳實踐 – 估值外掛hll的使用(以及hll分式聚合函式優化)》

《PostgreSQL hll (HyperLogLog) extension for “State of The Art Cardinality Estimation Algorithm” – 3》

《PostgreSQL hll (HyperLogLog) extension for “State of The Art Cardinality Estimation Algorithm” – 2》

《PostgreSQL hll (HyperLogLog) extension for “State of The Art Cardinality Estimation Algorithm” – 1》

《PostgreSQL count-min sketch top-n 概率計算外掛 cms_topn (結合視窗實現同比、環比、滑窗分析等) – 流計算核心功能之一》

估算實踐是浪費嗎？
2008-08-19
PostgreSQL實踐-實時廣告位推薦2(任意欄位組合、任意維度組合搜尋、輸出TOP-K)
2018-05-06
SQL
如何實現條件組合元件
2024-03-21
元件
[讀書筆記]軟體估算-估算方法(一)
2009-11-17
筆記
[讀書筆記]軟體估算-估算方法(二)
2009-11-26
筆記
[讀書筆記]軟體估算-估算的含義
2009-11-15
筆記
樣本量估算：隨機對照試驗（兩組均數）比較的樣本量計算方法
2020-12-22
隨機
執行計劃的代價估算
2014-04-07
【Django】組合條件的搜尋功能實現
2018-04-12
Django
敏捷估算：點之殤
2016-07-25
敏捷
實踐敏捷估算（1）——不僅僅是估不準的問題
2014-06-04
敏捷
process和session引數最大值估算方法
2017-08-14
Session
怎樣估算軟體專案週期-程式碼行估演算法
2009-12-06
演算法
軟體專案估算是一件很難的事情
2012-06-28
遊戲ROI估算模型（附工具）
2019-12-19
遊戲模型
架構設計（九）：估算
2022-12-25
架構
專案成本估算快速指南
2022-04-13
有關專案的估算
2003-02-13
貓讀《軟體估算》三
2008-01-31
NameNode堆記憶體估算
2024-05-08
記憶體
敏捷實施中的估算與實際效果 - Ottinger
2021-05-14
敏捷
使用11g多列統計量提高多列group by操作估算值
2015-11-07
演算法分析__時間估算
2019-03-05
演算法
軟體工程估算的技巧 - shubhro
2022-05-12
軟體工程
專案管理中的自下而上估算
2022-07-14
專案管理
[原]敏捷開發-故事與估算
2014-07-14
敏捷
專案規模估算方法論
2009-12-13
ClickHouse最大QPS到底咋估算？
2024-03-21
Excel不同列多條件計數
2013-03-08
Excel
定性檢測的樣本量估算之精確概率法
2022-03-28
如何合理地估算執行緒池大小？（轉載）
2018-05-21
執行緒
軟體開發的成本估算—我的程式碼行
2009-12-06
Mysql索引的使用-組合索引+跳躍條件
2010-03-03
MySql索引
PostgreSQL生成任意基數數獨-2
2018-04-18
SQL
PostgreSQL生成任意基數數獨-3
2018-04-18
SQL
程式設計師的時間估算
2013-06-22
程式設計師
Oracle 估算資料庫大小的方法
2012-03-31
Oracle資料庫
三種專案成本估算方法(轉)
2007-08-14

PostgreSQL任意列組合條件行數估算實踐-取樣估算

標籤

背景

例子

小結

參考

相關文章