Aquí hay algunos métodos que puede comparar. Primero, configuremos una tabla con algunos datos ficticios. Estoy completando esto con un montón de datos aleatorios de sys.all_columns. Bueno, es algo aleatorio: me aseguro de que las fechas sean contiguas (lo que en realidad solo es importante para una de las respuestas).
CREATE TABLE dbo.Hits(Day SMALLDATETIME, CustomerID INT);
CREATE CLUSTERED INDEX x ON dbo.Hits([Day]);
INSERT dbo.Hits SELECT TOP (5000) DATEADD(DAY, r, '20120501'),
COALESCE(ASCII(SUBSTRING(name, s, 1)), 86)
FROM (SELECT name, r = ROW_NUMBER() OVER (ORDER BY name)/10,
s = CONVERT(INT, RIGHT(CONVERT(VARCHAR(20), [object_id]), 1))
FROM sys.all_columns) AS x;
SELECT
Earliest_Day = MIN([Day]),
Latest_Day = MAX([Day]),
Unique_Days = DATEDIFF(DAY, MIN([Day]), MAX([Day])) + 1,
Total_Rows = COUNT(*)
FROM dbo.Hits;
Resultados:
Earliest_Day Latest_Day Unique_Days Total_Days
------------------- ------------------- ----------- ----------
2012-05-01 00:00:00 2013-09-13 00:00:00 501 5000
Los datos se ven así (5000 filas), pero se verán ligeramente diferentes en su sistema según la versión y el número de compilación:
Day CustomerID
------------------- ---
2012-05-01 00:00:00 95
2012-05-01 00:00:00 97
2012-05-01 00:00:00 97
2012-05-01 00:00:00 117
2012-05-01 00:00:00 100
...
2012-05-02 00:00:00 110
2012-05-02 00:00:00 110
2012-05-02 00:00:00 95
...
Y los resultados de los totales acumulados deberían verse así (501 filas):
Day c rt
------------------- -- --
2012-05-01 00:00:00 6 6
2012-05-02 00:00:00 5 11
2012-05-03 00:00:00 4 15
2012-05-04 00:00:00 7 22
2012-05-05 00:00:00 6 28
...
Entonces, los métodos que voy a comparar son:
- "auto-unión" - el enfoque purista basado en conjuntos
- "CTE recursivo con fechas": esto se basa en fechas contiguas (sin espacios)
- "CTE recursivo con row_number" - similar al anterior pero más lento, confiando en ROW_NUMBER
- "CTE recursivo con #temp table" - robado de la respuesta de Mikael como se sugiere
- "actualización peculiar" que, aunque no es compatible y no promete un comportamiento definido, parece ser bastante popular
- "cursor"
- SQL Server 2012 con la nueva funcionalidad de ventanas
auto-unirse
Esta es la forma en que la gente le dirá que lo haga cuando le adviertan que se mantenga alejado de los cursores, porque "basado en conjuntos siempre es más rápido". En algunos experimentos recientes, descubrí que el cursor supera esta solución.
;WITH g AS
(
SELECT [Day], c = COUNT(DISTINCT CustomerID)
FROM dbo.Hits
GROUP BY [Day]
)
SELECT g.[Day], g.c, rt = SUM(g2.c)
FROM g INNER JOIN g AS g2
ON g.[Day] >= g2.[Day]
GROUP BY g.[Day], g.c
ORDER BY g.[Day];
cte recursivo con fechas
Recordatorio: esto se basa en fechas contiguas (sin espacios), hasta 10000 niveles de recursión, y que conoce la fecha de inicio del rango que le interesa (para establecer el ancla). Podría establecer el ancla dinámicamente utilizando una subconsulta, por supuesto, pero quería mantener las cosas simples.
;WITH g AS
(
SELECT [Day], c = COUNT(DISTINCT CustomerID)
FROM dbo.Hits
GROUP BY [Day]
), x AS
(
SELECT [Day], c, rt = c
FROM g
WHERE [Day] = '20120501'
UNION ALL
SELECT g.[Day], g.c, x.rt + g.c
FROM x INNER JOIN g
ON g.[Day] = DATEADD(DAY, 1, x.[Day])
)
SELECT [Day], c, rt
FROM x
ORDER BY [Day]
OPTION (MAXRECURSION 10000);
cte recursivo con row_number
El cálculo del número de fila es un poco caro aquí. Nuevamente, esto admite un nivel máximo de recursión de 10000, pero no es necesario asignar el ancla.
;WITH g AS
(
SELECT [Day], rn = ROW_NUMBER() OVER (ORDER BY DAY),
c = COUNT(DISTINCT CustomerID)
FROM dbo.Hits
GROUP BY [Day]
), x AS
(
SELECT [Day], rn, c, rt = c
FROM g
WHERE rn = 1
UNION ALL
SELECT g.[Day], g.rn, g.c, x.rt + g.c
FROM x INNER JOIN g
ON g.rn = x.rn + 1
)
SELECT [Day], c, rt
FROM x
ORDER BY [Day]
OPTION (MAXRECURSION 10000);
cte recursivo con tabla temporal
Robando la respuesta de Mikael, como se sugiere, para incluir esto en las pruebas.
CREATE TABLE #Hits
(
rn INT PRIMARY KEY,
c INT,
[Day] SMALLDATETIME
);
INSERT INTO #Hits (rn, c, Day)
SELECT ROW_NUMBER() OVER (ORDER BY DAY),
COUNT(DISTINCT CustomerID),
[Day]
FROM dbo.Hits
GROUP BY [Day];
WITH x AS
(
SELECT [Day], rn, c, rt = c
FROM #Hits as c
WHERE rn = 1
UNION ALL
SELECT g.[Day], g.rn, g.c, x.rt + g.c
FROM x INNER JOIN #Hits as g
ON g.rn = x.rn + 1
)
SELECT [Day], c, rt
FROM x
ORDER BY [Day]
OPTION (MAXRECURSION 10000);
DROP TABLE #Hits;
actualización peculiar
Nuevamente, solo incluyo esto para completar; Personalmente, no confiaría en esta solución ya que, como mencioné en otra respuesta, no se garantiza que este método funcione en absoluto, y puede romperse por completo en una versión futura de SQL Server. (Estoy haciendo todo lo posible para obligar a SQL Server a obedecer el orden que quiero, usando una pista para la elección del índice).
CREATE TABLE #x([Day] SMALLDATETIME, c INT, rt INT);
CREATE UNIQUE CLUSTERED INDEX x ON #x([Day]);
INSERT #x([Day], c)
SELECT [Day], c = COUNT(DISTINCT CustomerID)
FROM dbo.Hits
GROUP BY [Day]
ORDER BY [Day];
DECLARE @rt1 INT;
SET @rt1 = 0;
UPDATE #x
SET @rt1 = rt = @rt1 + c
FROM #x WITH (INDEX = x);
SELECT [Day], c, rt FROM #x ORDER BY [Day];
DROP TABLE #x;
cursor
"¡Cuidado, hay cursores aquí! ¡Los cursores son malvados! ¡Debes evitar los cursores a toda costa!" No, no soy yo quien habla, son cosas que escucho mucho. Contrariamente a la opinión popular, hay algunos casos en que los cursores son apropiados.
CREATE TABLE #x2([Day] SMALLDATETIME, c INT, rt INT);
CREATE UNIQUE CLUSTERED INDEX x ON #x2([Day]);
INSERT #x2([Day], c)
SELECT [Day], COUNT(DISTINCT CustomerID)
FROM dbo.Hits
GROUP BY [Day]
ORDER BY [Day];
DECLARE @rt2 INT, @d SMALLDATETIME, @c INT;
SET @rt2 = 0;
DECLARE c CURSOR LOCAL STATIC READ_ONLY FORWARD_ONLY
FOR SELECT [Day], c FROM #x2 ORDER BY [Day];
OPEN c;
FETCH NEXT FROM c INTO @d, @c;
WHILE @@FETCH_STATUS = 0
BEGIN
SET @rt2 = @rt2 + @c;
UPDATE #x2 SET rt = @rt2 WHERE [Day] = @d;
FETCH NEXT FROM c INTO @d, @c;
END
SELECT [Day], c, rt FROM #x2 ORDER BY [Day];
DROP TABLE #x2;
SQL Server 2012
Si está utilizando la versión más reciente de SQL Server, las mejoras en la funcionalidad de ventanas nos permiten calcular fácilmente los totales acumulados sin el costo exponencial de la unión automática (el SUM se calcula en una pasada), la complejidad de los CTE (incluido el requisito de filas contiguas para el mejor rendimiento de CTE), la actualización peculiar no compatible y el cursor prohibido. Solo tenga cuidado con la diferencia entre usar RANGEy ROWS, o no especificar, solo ROWSevita un carrete en el disco, lo que obstaculizará significativamente el rendimiento de lo contrario.
;WITH g AS
(
SELECT [Day], c = COUNT(DISTINCT CustomerID)
FROM dbo.Hits
GROUP BY [Day]
)
SELECT g.[Day], c,
rt = SUM(c) OVER (ORDER BY [Day] ROWS UNBOUNDED PRECEDING)
FROM g
ORDER BY g.[Day];
comparaciones de rendimiento
Tomé cada enfoque y lo envolví un lote usando lo siguiente:
SELECT SYSUTCDATETIME();
GO
DBCC DROPCLEANBUFFERS;DBCC FREEPROCCACHE;
-- query here
GO 10
SELECT SYSUTCDATETIME();
Estos son los resultados de la duración total, en milisegundos (recuerde que esto también incluye los comandos DBCC cada vez):
method run 1 run 2
----------------------------- -------- --------
self-join 1296 ms 1357 ms -- "supported" non-SQL 2012 winner
recursive cte with dates 1655 ms 1516 ms
recursive cte with row_number 19747 ms 19630 ms
recursive cte with #temp table 1624 ms 1329 ms
quirky update 880 ms 1030 ms -- non-SQL 2012 winner
cursor 1962 ms 1850 ms
SQL Server 2012 847 ms 917 ms -- winner if SQL 2012 available
Y lo hice nuevamente sin los comandos DBCC:
method run 1 run 2
----------------------------- -------- --------
self-join 1272 ms 1309 ms -- "supported" non-SQL 2012 winner
recursive cte with dates 1247 ms 1593 ms
recursive cte with row_number 18646 ms 18803 ms
recursive cte with #temp table 1340 ms 1564 ms
quirky update 1024 ms 1116 ms -- non-SQL 2012 winner
cursor 1969 ms 1835 ms
SQL Server 2012 600 ms 569 ms -- winner if SQL 2012 available
Eliminando tanto el DBCC como los bucles, solo mide una iteración sin procesar:
method run 1 run 2
----------------------------- -------- --------
self-join 313 ms 242 ms
recursive cte with dates 217 ms 217 ms
recursive cte with row_number 2114 ms 1976 ms
recursive cte with #temp table 83 ms 116 ms -- "supported" non-SQL 2012 winner
quirky update 86 ms 85 ms -- non-SQL 2012 winner
cursor 1060 ms 983 ms
SQL Server 2012 68 ms 40 ms -- winner if SQL 2012 available
Por último, he multiplicado el número de filas en la tabla de origen por 10 (cambiando superior a 50.000 y la adición de otra tabla como una combinación cruzada). Los resultados de esto, una sola iteración sin comandos DBCC (simplemente en interés del tiempo):
method run 1 run 2
----------------------------- -------- --------
self-join 2401 ms 2520 ms
recursive cte with dates 442 ms 473 ms
recursive cte with row_number 144548 ms 147716 ms
recursive cte with #temp table 245 ms 236 ms -- "supported" non-SQL 2012 winner
quirky update 150 ms 148 ms -- non-SQL 2012 winner
cursor 1453 ms 1395 ms
SQL Server 2012 131 ms 133 ms -- winner
Sólo mide la duración - Lo dejo como ejercicio para el lector comparar estos enfoques de sus datos, comparando otras métricas que pueden ser importantes (o pueden variar con su esquema / datos). Antes de sacar conclusiones a partir de esta respuesta, que será hasta usted para probarlo en contra de sus datos y su esquema ... estos resultados es casi seguro que cambian a medida que los recuentos de filas de llegar más alto.
manifestación
He agregado un sqlfiddle . Resultados:
conclusión
En mis pruebas, la elección sería:
- Método SQL Server 2012, si tengo SQL Server 2012 disponible.
- Si SQL Server 2012 no está disponible, y mis fechas son contiguas, iría con el método recursivo cte con fechas.
- Si ni 1. ni 2. son aplicables, iría con la autounión sobre la peculiar actualización, a pesar de que el rendimiento fue cercano, solo porque el comportamiento está documentado y garantizado. Estoy menos preocupado por la compatibilidad futura porque espero que si la actualización peculiar se rompe después de que ya haya convertido todo mi código a 1. :-)
Pero de nuevo, debe probarlos contra su esquema y datos. Dado que esta fue una prueba artificial con recuentos de filas relativamente bajos, también podría ser un pedo en el viento. He realizado otras pruebas con diferentes esquemas y recuentos de filas, y las heurísticas de rendimiento fueron bastante diferentes ... por eso hice tantas preguntas de seguimiento a su pregunta original.
ACTUALIZAR
He blogueado más sobre esto aquí:
Mejores enfoques para ejecutar totales: actualizado para SQL Server 2012
Dayuna clave y los valores son contiguos?