Cómo filtrar los resultados de SQL en una relación de muchos a través


100

Suponiendo que tengo las tablas student, cluby student_club:

student {
    id
    name
}
club {
    id
    name
}
student_club {
    student_id
    club_id
}

Quiero saber cómo encontrar a todos los estudiantes tanto en el club de fútbol (30) como en el de béisbol (50).
Si bien esta consulta no funciona, es lo más parecido que tengo hasta ahora:

SELECT student.*
FROM   student
INNER  JOIN student_club sc ON student.id = sc.student_id
LEFT   JOIN club c ON c.id = sc.club_id
WHERE  c.id = 30 AND c.id = 50

Respuestas:


145

Estaba curioso. Y como todos sabemos, la curiosidad tiene fama de matar gatos.

Entonces, ¿cuál es la forma más rápida de despellejar a un gato?

El entorno preciso de piel de gato para esta prueba:

  • PostgreSQL 9.0 en Debian Squeeze con RAM y configuraciones decentes.
  • 6.000 estudiantes, 24.000 membresías en clubes (datos copiados de una base de datos similar con datos de la vida real).
  • Ligera desviación del esquema de nomenclatura en la pregunta: student.idestá student.stud_idy club.idestá club.club_idaquí.
  • Llamé a las consultas por su autor en este hilo, con un índice donde hay dos.
  • Ejecuté todas las consultas un par de veces para llenar el caché, luego elegí la mejor de 5 con EXPLAIN ANALYZE.
  • Índices relevantes (deberían ser los óptimos, siempre que no tengamos conocimiento previo de qué clubes serán consultados):

    ALTER TABLE student ADD CONSTRAINT student_pkey PRIMARY KEY(stud_id );
    ALTER TABLE student_club ADD CONSTRAINT sc_pkey PRIMARY KEY(stud_id, club_id);
    ALTER TABLE club       ADD CONSTRAINT club_pkey PRIMARY KEY(club_id );
    CREATE INDEX sc_club_id_idx ON student_club (club_id);

    club_pkeyno es requerido por la mayoría de las consultas aquí.
    Las claves primarias implementan índices únicos automáticamente en PostgreSQL.
    El último índice es para compensar esta deficiencia conocida de los índices de múltiples columnas en PostgreSQL:

Se puede usar un índice de árbol B de varias columnas con condiciones de consulta que involucren cualquier subconjunto de las columnas del índice, pero el índice es más eficiente cuando hay restricciones en las columnas iniciales (más a la izquierda).

Resultados:

Tiempos de ejecución totales de EXPLAIN ANALYZE.

1) Martín 2: 44.594 ms

SELECT s.stud_id, s.name
FROM   student s
JOIN   student_club sc USING (stud_id)
WHERE  sc.club_id IN (30, 50)
GROUP  BY 1,2
HAVING COUNT(*) > 1;

2) Erwin 1: 33,217 ms

SELECT s.stud_id, s.name
FROM   student s
JOIN   (
   SELECT stud_id
   FROM   student_club
   WHERE  club_id IN (30, 50)
   GROUP  BY 1
   HAVING COUNT(*) > 1
   ) sc USING (stud_id);

3) Martín 1: 31,735 ms

SELECT s.stud_id, s.name
   FROM   student s
   WHERE  student_id IN (
   SELECT student_id
   FROM   student_club
   WHERE  club_id = 30
   INTERSECT
   SELECT stud_id
   FROM   student_club
   WHERE  club_id = 50);

4) Derek: 2.287 ms

SELECT s.stud_id,  s.name
FROM   student s
WHERE  s.stud_id IN (SELECT stud_id FROM student_club WHERE club_id = 30)
AND    s.stud_id IN (SELECT stud_id FROM student_club WHERE club_id = 50);

5) Erwin 2: 2,181 ms

SELECT s.stud_id,  s.name
FROM   student s
WHERE  EXISTS (SELECT * FROM student_club
               WHERE  stud_id = s.stud_id AND club_id = 30)
AND    EXISTS (SELECT * FROM student_club
               WHERE  stud_id = s.stud_id AND club_id = 50);

6) Sean: 2.043 ms

SELECT s.stud_id, s.name
FROM   student s
JOIN   student_club x ON s.stud_id = x.stud_id
JOIN   student_club y ON s.stud_id = y.stud_id
WHERE  x.club_id = 30
AND    y.club_id = 50;

Los tres últimos funcionan prácticamente igual. 4) y 5) dan como resultado el mismo plan de consulta.

Adiciones tardías:

SQL elegante, pero el rendimiento no puede mantenerse al día.

7) ypercube 1: 148,649 ms

SELECT s.stud_id,  s.name
FROM   student AS s
WHERE  NOT EXISTS (
   SELECT *
   FROM   club AS c 
   WHERE  c.club_id IN (30, 50)
   AND    NOT EXISTS (
      SELECT *
      FROM   student_club AS sc 
      WHERE  sc.stud_id = s.stud_id
      AND    sc.club_id = c.club_id  
      )
   );

8) ypercube 2: 147,497 ms

SELECT s.stud_id,  s.name
FROM   student AS s
WHERE  NOT EXISTS (
   SELECT *
   FROM  (
      SELECT 30 AS club_id  
      UNION  ALL
      SELECT 50
      ) AS c
   WHERE NOT EXISTS (
      SELECT *
      FROM   student_club AS sc 
      WHERE  sc.stud_id = s.stud_id
      AND    sc.club_id = c.club_id  
      )
   );

Como era de esperar, esos dos rinden casi lo mismo. El plan de consulta da como resultado escaneos de tablas, el planificador no encuentra una manera de usar los índices aquí.


9) wildplasser 1: 49.849 ms

WITH RECURSIVE two AS (
   SELECT 1::int AS level
        , stud_id
   FROM   student_club sc1
   WHERE  sc1.club_id = 30
   UNION
   SELECT two.level + 1 AS level
        , sc2.stud_id
   FROM   student_club sc2
   JOIN   two USING (stud_id)
   WHERE  sc2.club_id = 50
   AND    two.level = 1
   )
SELECT s.stud_id, s.student
FROM   student s
JOIN   two USING (studid)
WHERE  two.level > 1;

SQL elegante, rendimiento decente para un CTE. Plan de consulta muy exótico.
Nuevamente, sería interesante cómo 9.1 maneja esto. Pronto actualizaré el clúster de base de datos utilizado aquí a 9.1. Tal vez vuelva a ejecutar todo el asunto ...


10) wildplasser 2: 36,986 ms

WITH sc AS (
   SELECT stud_id
   FROM   student_club
   WHERE  club_id IN (30,50)
   GROUP  BY stud_id
   HAVING COUNT(*) > 1
   )
SELECT s.*
FROM   student s
JOIN   sc USING (stud_id);

Variante CTE de la consulta 2). Sorprendentemente, puede resultar en un plan de consulta ligeramente diferente con exactamente los mismos datos. Encontré un escaneo secuencial student, donde la subconsulta-variante usó el índice.


11) ypercube 3: 101.482 ms

Otra adición tardía @ypercube. Es absolutamente asombroso cuántas formas hay.

SELECT s.stud_id, s.student
FROM   student s
JOIN   student_club sc USING (stud_id)
WHERE  sc.club_id = 10                 -- member in 1st club ...
AND    NOT EXISTS (
   SELECT *
   FROM  (SELECT 14 AS club_id) AS c  -- can't be excluded for missing the 2nd
   WHERE  NOT EXISTS (
      SELECT *
      FROM   student_club AS d
      WHERE  d.stud_id = sc.stud_id
      AND    d.club_id = c.club_id
      )
   )

12) erwin 3: 2,377 ms

@ ypercube's 11) es en realidad solo el enfoque inverso alucinante de esta variante más simple, que también faltaba. Se desempeña casi tan rápido como los mejores gatos.

SELECT s.*
FROM   student s
JOIN   student_club x USING (stud_id)
WHERE  sc.club_id = 10                 -- member in 1st club ...
AND    EXISTS (                        -- ... and membership in 2nd exists
   SELECT *
   FROM   student_club AS y
   WHERE  y.stud_id = s.stud_id
   AND    y.club_id = 14
   )

13) erwin 4: 2,375 ms

Es difícil de creer, pero aquí hay otra variante realmente nueva. Veo potencial para más de dos membresías, pero también se ubica entre los mejores gatos con solo dos.

SELECT s.*
FROM   student AS s
WHERE  EXISTS (
   SELECT *
   FROM   student_club AS x
   JOIN   student_club AS y USING (stud_id)
   WHERE  x.stud_id = s.stud_id
   AND    x.club_id = 14
   AND    y.club_id = 10
   )

Número dinámico de membresías del club

En otras palabras: número variable de filtros. Esta pregunta solicitó exactamente dos membresías de clubes. Pero muchos casos de uso deben prepararse para un número variable.

Discusión detallada en esta respuesta posterior relacionada:


1
Brandstetter, Muy buen trabajo. Comencé una recompensa en esta pregunta para darle crédito adicional (pero tengo que esperar 24 horas). De todos modos, me pregunto cómo van estas consultas cuando comienzas a agregar múltiples club_id en lugar de solo dos ...
Xeoncross

@Xeoncross: Felicitaciones por su generoso gesto. :) Con más club_ids sospecho que 1) y 2) se acercarán en velocidad, pero tendría que ser un número mayor para derribar el ranking.
Erwin Brandstetter

si tiene más de un par de clubes, cree otra tabla que contenga esos clubes. Entonces únete a esa mesa en tu selección.
Paul Morgan

@Erwin: Thnx (para los puntos de referencia). No es quisquilloso, pero tal vez puedas probar esas consultas (me refiero a todas, no solo a la mía) con un (student_id, club_id)índice (o al revés).
ypercubeᵀᴹ

3
¿Me equivoco al pensar que cualquier valor inferior a 200 ms es un rendimiento aceptable, dado el dominio en cuestión y el tamaño de la muestra? Por interés personal, realicé mis propias pruebas en SQL Server 2008 R2 usando los mismos índices de estructura y (creo) la distribución de datos pero escalando a un millón de estudiantes (un conjunto razonablemente grande para el dominio dado, creo) y todavía no había No hay mucho que separar los diferentes enfoques, en mi opinión. Por supuesto, los basados ​​en la división relacional podrían apuntar a una tabla base, dándoles la ventaja de 'extensibilidad'.
cuando

18
SELECT s.*
FROM student s
INNER JOIN student_club sc_soccer ON s.id = sc_soccer.student_id
INNER JOIN student_club sc_baseball ON s.id = sc_baseball.student_id
WHERE 
 sc_baseball.club_id = 50 AND 
 sc_soccer.club_id = 30

10
select *
from student
where id in (select student_id from student_club where club_id = 30)
and id in (select student_id from student_club where club_id = 50)

Esta consulta funciona bien, pero algo me molesta por tener que pedirle al RDBMS que verifique tantos índices * el número de clubes.
Xeoncross

6
Me gusta más esta consulta porque se parece a un estilo limpio, es como python en sql. Con mucho gusto cambiaría 0.44ms (diff con la consulta de Sean) por este tipo de código.
MGP

5

Si solo quiere student_id, entonces:

    Select student_id
      from student_club
     where club_id in ( 30, 50 )
  group by student_id
    having count( student_id ) = 2

Si también necesita el nombre del estudiante, entonces:

Select student_id, name
  from student s
 where exists( select *
                 from student_club sc
                where s.student_id = sc.student_id
                  and club_id in ( 30, 50 )
             group by sc.student_id
               having count( sc.student_id ) = 2 )

Si tiene más de dos clubes en una tabla club_selection, entonces:

Select student_id, name
  from student s
 where exists( select *
                 from student_club sc
                where s.student_id = sc.student_id
                  and exists( select * 
                                from club_selection cs
                               where sc.club_id = cs.club_id )
             group by sc.student_id
               having count( sc.student_id ) = ( select count( * )
                                                   from club_selection ) )

Los dos primeros están incluidos en / igual que mi consulta 1. Pero el tercero aborda la pregunta agregada de @Xeoncross en los comentarios anteriores. Votaría por esa parte sin los incautos.
Erwin Brandstetter

Gracias por el comentario, pero también estoy demostrando algo de formato. Lo dejaré 'como está'.
Paul Morgan

4
SELECT *
FROM   student
WHERE  id IN (SELECT student_id
              FROM   student_club
              WHERE  club_id = 30
              INTERSECT
              SELECT student_id
              FROM   student_club
              WHERE  club_id = 50)  

O una solución más general más fácil de extender a nclubes y que evita INTERSECT(no disponible en MySQL) y IN(ya que el rendimiento de esto apesta en MySQL )

SELECT s.id,
       s.name
FROM   student s
       join student_club sc
         ON s.id = sc.student_id
WHERE  sc.club_id IN ( 30, 50 )
GROUP  BY s.id,
          s.name
HAVING COUNT(DISTINCT sc.club_id) = 2  

Sin duda, su segunda respuesta es la mejor para las consultas que se generan mediante código. ¿En serio voy a escribir 10 combinaciones o subconsultas para encontrar la división relacional de 10 criterios? Diablos no, usaré esta brillante solución en su lugar. Gracias por enseñarme lo que HAVINGhace en MySQL.
Eric L.

4

Otro CTE. Parece limpio, pero probablemente generará el mismo plan que un groupby en una subconsulta normal.

WITH two AS (
    SELECT student_id FROM tmp.student_club
    WHERE club_id IN (30,50)
    GROUP BY student_id
    HAVING COUNT(*) > 1
    )
SELECT st.* FROM tmp.student st
JOIN two ON (two.student_id=st.id)
    ;

Para aquellos que quieran probar, una copia de mi cosa generate testdata:

DROP SCHEMA tmp CASCADE;
CREATE SCHEMA tmp;

CREATE TABLE tmp.student
    ( id INTEGER NOT NULL PRIMARY KEY
    , sname VARCHAR
    );

CREATE TABLE tmp.club
    ( id INTEGER NOT NULL PRIMARY KEY
    , cname VARCHAR
    );

CREATE TABLE tmp.student_club
    ( student_id INTEGER NOT NULL  REFERENCES tmp.student(id)
    , club_id INTEGER NOT NULL  REFERENCES tmp.club(id)
    );

INSERT INTO tmp.student(id)
    SELECT generate_series(1,1000)
    ;

INSERT INTO tmp.club(id)
    SELECT generate_series(1,100)
    ;

INSERT INTO tmp.student_club(student_id,club_id)
    SELECT st.id  , cl.id
    FROM tmp.student st, tmp.club cl
    ;

DELETE FROM tmp.student_club
WHERE random() < 0.8
    ;

UPDATE tmp.student SET sname = 'Student#' || id::text ;
UPDATE tmp.club SET cname = 'Soccer' WHERE id = 30;
UPDATE tmp.club SET cname = 'Baseball' WHERE id = 50;

ALTER TABLE tmp.student_club
    ADD PRIMARY KEY (student_id,club_id)
    ;

Sí, eso es en efecto solo una subconsulta con group by like en mi primera versión. El mismo plan de consulta + la sobrecarga de CTE da como resultado el mismo rendimiento + un poco para el CTE. Sin embargo, una buena configuración de prueba.
Erwin Brandstetter

No sé si hay una sobrecarga de CTE. La distribución de los datos de prueba es muy importante. También lo es la disponibilidad de estadísticas: después de VACUUM ANALYZE, el tiempo de ejecución pasó de 67,4 a 1,56 ms. Solo hash y mapas de bits involucrados en el QP.
wildplasser

Eso es especial en su caso, después de eliminar el 80% de una tabla grande y actualizar mucho, tenía más tuplas muertas que cualquier otra cosa. No es de extrañar, el análisis de vacío ayuda mucho. Ejecuté ambas variantes con y sin CTE y, sorprendentemente, los planes de consulta no eran idénticos. o mejor aún, abriré una sala de chat para eso.
Erwin Brandstetter

No se preocupe, sabía sobre el 80% de filas muertas ... Creo que las estadísticas también importan. Pero el histograma es bastante "plano", dado que se elimina al azar. Tal vez sea solo la estimación de las páginas necesarias lo que cambia lo suficiente como para que el planificador decida cambiar de plan.
wildplasser

3

Entonces, hay más de una forma de despellejar a un gato .
Voy a agregar dos más para hacerlo, bueno, más completo.

1) GRUPO primero, ÚNETE después

Suponiendo un modelo de datos cuerdo donde (student_id, club_id)es única en student_club. La segunda versión de Martin Smith es algo similar, pero se une primero a los grupos después. Esto debería ser más rápido:

SELECT s.id, s.name
  FROM student s
  JOIN (
   SELECT student_id
     FROM student_club
    WHERE club_id IN (30, 50)
    GROUP BY 1
   HAVING COUNT(*) > 1
       ) sc USING (student_id);

2) EXISTE

Y por supuesto, está el clásico EXISTS. Similar a la variante de Derek con IN. Sencillo y rápido. (En MySQL, esto debería ser un poco más rápido que la variante con IN):

SELECT s.id, s.name
  FROM student s
 WHERE EXISTS (SELECT 1 FROM student_club
               WHERE  student_id = s.student_id AND club_id = 30)
   AND EXISTS (SELECT 1 FROM student_club
               WHERE  student_id = s.student_id AND club_id = 50);

3

Dado que nadie ha agregado esta versión (clásica):

SELECT s.*
FROM student AS s
WHERE NOT EXISTS
      ( SELECT *
        FROM club AS c 
        WHERE c.id IN (30, 50)
          AND NOT EXISTS
              ( SELECT *
                FROM student_club AS sc 
                WHERE sc.student_id = s.id
                  AND sc.club_id = c.id  
              )
      )

o similar:

SELECT s.*
FROM student AS s
WHERE NOT EXISTS
      ( SELECT *
        FROM
          ( SELECT 30 AS club_id  
          UNION ALL
            SELECT 50
          ) AS c
        WHERE NOT EXISTS
              ( SELECT *
                FROM student_club AS sc 
                WHERE sc.student_id = s.id
                  AND sc.club_id = c.club_id  
              )
      )

Un intento más con un enfoque ligeramente diferente. Inspirado en un artículo en Explicar extendido: múltiples atributos en una tabla EAV: AGRUPAR POR vs NO EXISTE :

SELECT s.*
FROM student_club AS sc
  JOIN student AS s
    ON s.student_id = sc.student_id
WHERE sc.club_id = 50                      --- one option here
  AND NOT EXISTS
      ( SELECT *
        FROM
          ( SELECT 30 AS club_id           --- all the rest in here
                                           --- as in previous query
          ) AS c
        WHERE NOT EXISTS
              ( SELECT *
                FROM student_club AS scc 
                WHERE scc.student_id = sc.id
                  AND scc.club_id = c.club_id  
              )
      )

Otro enfoque:

SELECT s.stud_id
FROM   student s

EXCEPT

SELECT stud_id
FROM 
  ( SELECT s.stud_id, c.club_id
    FROM student s 
      CROSS JOIN (VALUES (30),(50)) c (club_id)
  EXCEPT
    SELECT stud_id, club_id
    FROM student_club
    WHERE club_id IN (30, 50)   -- optional. Not needed but may affect performance
  ) x ;   

+1 .. ¡bonitas adiciones a la no tan completa colección de piel de gato! :) Los agregué al punto de referencia.
Erwin Brandstetter

No es una pelea justa :) La gran ventaja de una división relacional como esta es que el divisor puede ser una tabla base, por lo que alterar el divisor es muy barato, es decir, contrastar la actualización de filas en una tabla base dirigida por la misma consulta con cambiar el SQL consulta cada vez.
cuando

@ErwinBrandstetter: ¿Sería posible agregar la tercera variación en sus pruebas?
ypercubeᵀᴹ

@ypercube: Lo tienes. Versión bastante retorcida. :)
Erwin Brandstetter

1
@Erwin: Cuando consigas perder algo de tiempo en esto, ¿puedes también intentar tener dos llaves ÚNICAS, en ambos (stud_id, club_id)y (club_id, stud_id)(o Primaria y Única)? Sigo pensando que para algunas de esas consultas, la diferencia de 2 a 140 ms es demasiado alta para ser explicada por las diferencias en los planes de ejecución.
ypercubeᵀᴹ

2
WITH RECURSIVE two AS
    ( SELECT 1::integer AS level
    , student_id
    FROM tmp.student_club sc0
    WHERE sc0.club_id = 30
    UNION
    SELECT 1+two.level AS level
    , sc1.student_id
    FROM tmp.student_club sc1
    JOIN two ON (two.student_id = sc1.student_id)
    WHERE sc1.club_id = 50
    AND two.level=1
    )
SELECT st.* FROM tmp.student st
JOIN two ON (two.student_id=st.id)
WHERE two.level> 1

    ;

Esto parece funcionar razonablemente bien, ya que el escaneo CTE evita la necesidad de dos subconsultas separadas.

¡Siempre hay una razón para hacer un mal uso de las consultas recursivas!

(Por cierto: mysql no parece tener consultas recursivas)


+1 por encontrar otra forma medio decente de hacerlo. Agregué su consulta al punto de referencia. Espero que te parezca bien. :)
Erwin Brandstetter

Está bien. Pero fue pensado como una broma, por supuesto. CTE realmente se desempeña bien si se agregan más registros de clubes de estudiantes * extraviados. (Para las pruebas utilicé 1000 estudiantes * 100 clubes y
eliminé el

1

Diferentes planes de consulta en la consulta 2) y 10)

Probé en una base de datos de la vida real, por lo que los nombres difieren de la lista de piel de gato. Es una copia de seguridad, por lo que nada cambió durante todas las pruebas (excepto cambios menores en los catálogos).

Consulta 2)

SELECT a.*
FROM   ef.adr a
JOIN (
    SELECT adr_id
    FROM   ef.adratt
    WHERE  att_id IN (10,14)
    GROUP  BY adr_id
    HAVING COUNT(*) > 1) t using (adr_id);

Merge Join  (cost=630.10..1248.78 rows=627 width=295) (actual time=13.025..34.726 rows=67 loops=1)
  Merge Cond: (a.adr_id = adratt.adr_id)
  ->  Index Scan using adr_pkey on adr a  (cost=0.00..523.39 rows=5767 width=295) (actual time=0.023..11.308 rows=5356 loops=1)
  ->  Sort  (cost=630.10..636.37 rows=627 width=4) (actual time=12.891..13.004 rows=67 loops=1)
        Sort Key: adratt.adr_id
        Sort Method:  quicksort  Memory: 28kB
        ->  HashAggregate  (cost=450.87..488.49 rows=627 width=4) (actual time=12.386..12.710 rows=67 loops=1)
              Filter: (count(*) > 1)
              ->  Bitmap Heap Scan on adratt  (cost=97.66..394.81 rows=2803 width=4) (actual time=0.245..5.958 rows=2811 loops=1)
                    Recheck Cond: (att_id = ANY ('{10,14}'::integer[]))
                    ->  Bitmap Index Scan on adratt_att_id_idx  (cost=0.00..94.86 rows=2803 width=0) (actual time=0.217..0.217 rows=2811 loops=1)
                          Index Cond: (att_id = ANY ('{10,14}'::integer[]))
Total runtime: 34.928 ms

Consulta 10)

WITH two AS (
    SELECT adr_id
    FROM   ef.adratt
    WHERE  att_id IN (10,14)
    GROUP  BY adr_id
    HAVING COUNT(*) > 1
    )
SELECT a.*
FROM   ef.adr a
JOIN   two using (adr_id);

Hash Join  (cost=1161.52..1261.84 rows=627 width=295) (actual time=36.188..37.269 rows=67 loops=1)
  Hash Cond: (two.adr_id = a.adr_id)
  CTE two
    ->  HashAggregate  (cost=450.87..488.49 rows=627 width=4) (actual time=13.059..13.447 rows=67 loops=1)
          Filter: (count(*) > 1)
          ->  Bitmap Heap Scan on adratt  (cost=97.66..394.81 rows=2803 width=4) (actual time=0.252..6.252 rows=2811 loops=1)
                Recheck Cond: (att_id = ANY ('{10,14}'::integer[]))
                ->  Bitmap Index Scan on adratt_att_id_idx  (cost=0.00..94.86 rows=2803 width=0) (actual time=0.226..0.226 rows=2811 loops=1)
                      Index Cond: (att_id = ANY ('{10,14}'::integer[]))
  ->  CTE Scan on two  (cost=0.00..50.16 rows=627 width=4) (actual time=13.065..13.677 rows=67 loops=1)
  ->  Hash  (cost=384.68..384.68 rows=5767 width=295) (actual time=23.097..23.097 rows=5767 loops=1)
        Buckets: 1024  Batches: 1  Memory Usage: 1153kB
        ->  Seq Scan on adr a  (cost=0.00..384.68 rows=5767 width=295) (actual time=0.005..10.955 rows=5767 loops=1)
Total runtime: 37.482 ms

@wildplasser: ¡Vea los planes de consulta divergentes! Inesperado para mi pág 9.0. La sala de chat era difícil de manejar, así que abuso de una respuesta aquí.
Erwin Brandstetter

Escenas extrañas. Básicamente, el mismo QP aquí (9.0.1-beta-algo) para el CTE: escaneo seq + mapa de bits en lugar de un escaneo de índice + combinación. ¿Quizás una falla en la heurística de costos del optimizador? Voy a producir otro abuso de CTE ...
wildplasser

1

@ erwin-brandstetter Por favor, compare esto:

SELECT s.stud_id, s.name
FROM   student s, student_club x, student_club y
WHERE  x.club_id = 30
AND    s.stud_id = x.stud_id
AND    y.club_id = 50
AND    s.stud_id = y.stud_id;

Es como el número 6) de @sean, simplemente más limpio, supongo.


2
Debes saber que @-notificar solo funciona en comentarios, no en respuestas. Me topé con esta publicación por casualidad. El plan de consulta y el rendimiento de su consulta son idénticos a la consulta de Sean. Efectivamente, es lo mismo, pero la consulta de Sean con JOINsintaxis explícita es la forma generalmente preferida, porque es más clara. ¡Sin embargo, +1 para otra respuesta válida!
Erwin Brandstetter

0
-- EXPLAIN ANALYZE
WITH two AS (
    SELECT c0.student_id
    FROM tmp.student_club c0
    , tmp.student_club c1
    WHERE c0.student_id = c1.student_id
    AND c0.club_id = 30
    AND c1.club_id = 50
    )
SELECT st.* FROM tmp.student st
JOIN two ON (two.student_id=st.id)
    ;

El plan de consulta:

 Hash Join  (cost=1904.76..1919.09 rows=337 width=15) (actual time=6.937..8.771 rows=324 loops=1)
   Hash Cond: (two.student_id = st.id)
   CTE two
     ->  Hash Join  (cost=849.97..1645.76 rows=337 width=4) (actual time=4.932..6.488 rows=324 loops=1)
           Hash Cond: (c1.student_id = c0.student_id)
           ->  Bitmap Heap Scan on student_club c1  (cost=32.76..796.94 rows=1614 width=4) (actual time=0.667..1.835 rows=1646 loops=1)
                 Recheck Cond: (club_id = 50)
                 ->  Bitmap Index Scan on sc_club_id_idx  (cost=0.00..32.36 rows=1614 width=0) (actual time=0.473..0.473 rows=1646 loops=1)                     
                       Index Cond: (club_id = 50)
           ->  Hash  (cost=797.00..797.00 rows=1617 width=4) (actual time=4.203..4.203 rows=1620 loops=1)
                 Buckets: 1024  Batches: 1  Memory Usage: 57kB
                 ->  Bitmap Heap Scan on student_club c0  (cost=32.79..797.00 rows=1617 width=4) (actual time=0.663..3.596 rows=1620 loops=1)                   
                       Recheck Cond: (club_id = 30)
                       ->  Bitmap Index Scan on sc_club_id_idx  (cost=0.00..32.38 rows=1617 width=0) (actual time=0.469..0.469 rows=1620 loops=1)
                             Index Cond: (club_id = 30)
   ->  CTE Scan on two  (cost=0.00..6.74 rows=337 width=4) (actual time=4.935..6.591 rows=324 loops=1)
   ->  Hash  (cost=159.00..159.00 rows=8000 width=15) (actual time=1.979..1.979 rows=8000 loops=1)
         Buckets: 1024  Batches: 1  Memory Usage: 374kB
         ->  Seq Scan on student st  (cost=0.00..159.00 rows=8000 width=15) (actual time=0.093..0.759 rows=8000 loops=1)
 Total runtime: 8.989 ms
(20 rows)

Así que todavía parece querer el escaneo seq en el estudiante.


No puedo esperar a ver si eso se ha solucionado en 9.1.
Erwin Brandstetter

0
SELECT s.stud_id, s.name
FROM   student s,
(
select x.stud_id from 
student_club x 
JOIN   student_club y ON x.stud_id = y.stud_id
WHERE  x.club_id = 30
AND    y.club_id = 50
) tmp_tbl
where tmp_tbl.stud_id = s.stud_id
;

Uso de la variante más rápida (Mr. Sean en el gráfico Mr. Brandstetter). Puede ser una variante con solo una unión a solo la matriz student_club tiene derecho a vivir. Entonces, la consulta más larga tendrá solo dos columnas para calcular, la idea es hacer la consulta delgada.


1
Si bien este fragmento de código puede resolver la pregunta, incluir una explicación realmente ayuda a mejorar la calidad de su publicación. Recuerde que está respondiendo la pregunta para los lectores en el futuro, ¡no solo la persona que pregunta ahora! Por favor, editar su respuesta para agregar explicación y dar una indicación de lo que se aplican limitaciones y supuestos.
BrokenBinary
Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.