가장 간단한 종류의 확장 토토 꽁 머니 추적기능적 종속성, 데이터베이스 정상 양식의 정의에 사용되는 개념. 우리는 그 칼럼이라고 말합니다b기능적으로 열에 의존합니다a값에 대한 지식이a값을 결정하기에 충분합니다b, 그것은 동일한 값을 가진 두 줄이 없습니다a그러나 다른 값b. 완전히 정규화 된 데이터베이스에서 기능적 종속성은 기본 키 및 슈퍼 키에만 존재해야합니다. 그러나 실제로 많은 데이터 세트는 여러 가지 이유로 완전히 정규화되지 않습니다. 성능의 이유에 대한 의도적 인 피식이 일반적인 예입니다. 완전히 정규화 된 데이터베이스에서도 일부 열간에 부분적 상관 관계가있을 수 있으며, 이는 부분 기능 의존성으로 표현 될 수 있습니다.

기능적 종속성의 존재는 특정 쿼리에서 추정치의 정확도에 직접적인 영향을 미칩니다. 쿼리에 독립 및 종속 열의 조건이 포함 된 경우 종속 열의 조건은 결과 크기를 더 이상 감소시키지 않습니다. 그러나 기능적 의존성에 대한 지식이 없으면 쿼리 플래너는 조건이 독립적이라고 가정하여 결과 크기를 과소 평가합니다..

기능적 종속성에 대해 플래너에게 알리려면분석크로스 컬럼 종속성 측정을 수집 할 수 있습니다. 모든 열 사이의 종속성 정도를 평가하는 것은 엄청나게 비싸므로 데이터 수집은에 정의 된 토토 꽁 머니 객체에 함께 나타나는 열의 그룹으로 제한됩니다.종속성옵션. 만드는 것이 좋습니다종속성두 가지에서 불필요한 오버 헤드를 피하기 위해 강하게 상관 관계가있는 열 그룹에 대해서만 토토 꽁 머니분석그리고 나중에 쿼리 계획.

기능 의존성 통계를 수집하는 예는 다음과 같습니다.

도시에 통계 Stts (종속성), Zipcodes의 zip;

zipcodes 분석;

stxname, stxkeys, stxdddependencies를 선택하십시오
  pg_statistic_ext에서 pg_statistic_ext_data on (oid = stxoid)
  여기서 stxname = 'stts';
 stxname | stxkeys |             stxdddependencies             
---------+--------+---------------------------------------------
 Stts | 1 5 |  "1 = 5": 1.000000, "5 = 1": 0.423130

여기서 열 1 (우편 번호)은 열 5 (도시)를 완전히 결정하여 계수가 1.0이면 도시는 우편 번호 만 결정하는 반면, 시점은 단일 우편 번호보다 더 많은 도시 (58%)가 있음을 의미합니다..

기능적 종속 열과 관련된 쿼리의 선택성을 계산할 때 플래너는 과소 평가를 생성하지 않기 위해 종속성 계수를 사용하여 조건 당 선택성 추정치를 조정합니다..

City = 'San Francisco'및 Zip = '94105';에서 Zipcodes에서 * 선택 * 선택 *

선택 * City = 'San Francisco'및 Zip = '90210';에서 Zipcodes에서 선택 *

단일 열 토토 꽁 머니 각 열에 고유 한 값의 수를 저장합니다. 둘 이상의 열을 결합 할 때 고유 한 값 수의 추정치 (예 :그룹 별 그룹, b) 플래너가 단일 열 토토 꽁 머니 데이터 만 있으면 잘못된 계획을 선택할 수있는 경우 자주 잘못됩니다.

그러한 추정치를 개선하려면분석열 그룹에 대한 n- 결정 통계를 수집 할 수 있습니다. 이전과 마찬가지로 가능한 모든 열 그룹화에 대해이 작업을 수행하는 것은 비현실적이므로 데이터는로 정의 된 통계 객체에 함께 나타나는 열의 그룹에 대해서만 수집됩니다.ndistinct옵션. 나열된 열 세트에서 2 개 이상의 열의 가능한 조합에 대해 데이터가 수집됩니다.

이전 예를 계속하면 우편 번호 테이블의 N- 결정 수는 다음과 같습니다.

도시, 주, zipcodes의 zip에 통계 Stts2 (ndistinct) 생성;

zipcodes 분석;

stxkeys를 K, stxdndistinct로 선택하십시오
  pg_statistic_ext에서 pg_statistic_ext_data on (oid = stxoid)
  여기서 stxname = 'stts2';
-[레코드 1] -----------------------------------------------------
k | 1 2 5
nd |  "1, 2": 33178, "1, 5": 33178, "2, 5": 27435, "1, 2, 5": 33178

이것은 33178 개의 별개의 값을 갖는 열의 세 가지 조합이 있음을 나타냅니다. 우편 번호 및 상태; 우편 번호 및 도시; 우편 번호, 도시 및 주 (우편 번호 만이이 표에서 독특하다는 점에서 모두 동일하다는 사실이 예상됩니다). 반면에 도시와 국가의 조합에는 27435 개의 뚜렷한 값이 있습니다.

생성하는 것이 좋습니다ndistinct토토 꽁 머니 객체는 실제로 그룹화에 사용되는 열의 조합과 그룹 수의 오해가 나쁜 계획을 초래하는 열의 조합에만 해당됩니다. 그렇지 않으면분석사이클이 낭비되었습니다.

각 열에 저장된 다른 유형의 토토 꽁 머니는 가장 일반적인 값 목록입니다. 이를 통해 개별 열에 대해 매우 정확한 추정치가 가능하지만 여러 열의 조건에 따라 쿼리에 대해 상당한 오해가 발생할 수 있습니다..

그러한 추정치를 개선하려면분석열의 조합에서 MCV 목록을 수집 할 수 있습니다. 기능적 종속성 및 N- 정화 계수와 마찬가지로 가능한 모든 열 그룹에 대해이를 수행하는 것이 비현실적입니다. 이 경우 MCV 목록 (기능적 종속성 및 N- 결정 계수와 달리)이 공통 열 값을 저장하기 때문에 더욱 그렇습니다. 따라서 데이터는로 정의 된 통계 객체에 함께 나타나는 열의 그룹에 대해서만 수집됩니다.MCV옵션.

이전 예를 계속하면 우편 번호 테이블의 MCV 목록은 다음과 같을 수 있습니다 (간단한 통계 유형과 달리 MCV 목차를 검사하는 데 필요한 기능이 필요합니다) :.

도시에서 State, Zipcodes의 상태;

zipcodes 분석;

m.*에서 pg_statistic_ext join pg_statistic_ext_data on (oid = stxoid),
                pg_mcv_list_items (stxdmcv) m 여기서 stxname = 'stts3';

 인덱스 |         값 | 널스 | 주파수 | base_frequency 
-------+------------------------------------------------------------------------------------------------------
     0 | 워싱턴, DC | f, f |  0.003467 |        2.7E-05
     1 | apo, ae | f, f |  0.003067 |        1.9E-05
     2 | 휴스턴, TX | f, f |  0.002167 |       0.000133
     3 | el paso, tx | f, f |     0.002 |       0.000113
     4 | New York, NY | f, f |  0.001967 |       0.000114
     5 | Atlanta, GA | f, f |  0.001633 |        3.3E-05
     6 | 새크라멘토, CA | f, f |  0.001433 |        7.8E-05
     7 | Miami, FL | f, f |    0.0014 |          6E-05
     8 | Dallas, TX | f, f |  0.001367 |        8.8E-05
     9 | Chicago, IL | f, f |  0.001333 |        5.1E-05
   ...
(99 줄)

이것은 도시와 주의 가장 일반적인 조합이 DC의 워싱턴이며 실제 빈도 (샘플에서) 약 0.35%임을 나타냅니다. 조합의 기본 주파수 (단순한 콜럼 당 주파수로부터 계산 된 바와 같이)는 0.0027%에 불과하므로 두 가지 순서가 낮습니다..

생성하는 것이 좋습니다MCV토토 꽁 머니 객체는 실제로 조건에서 실제로 사용되는 열의 조합과 그룹 수의 오해가 나쁜 계획을 초래하는 열의 조합에만 해당됩니다. 그렇지 않으면분석및 계획주기가 낭비됩니다.