58.1. 행 스포츠 토토 결과 예

아래 표시된 예제는에 테이블을 사용합니다.스포츠 토토 결과회귀 테스트 데이터베이스. 그만큼 표시된 출력은 버전 8.3에서 가져옵니다. 이전의 행동 (또는 이후) 버전은 다를 수 있습니다. 또한 이후로분석생산하는 동안 랜덤 샘플링을 사용합니다 통계, 결과는 새로운 후 약간 변경됩니다분석.

매우 간단한 쿼리로 시작합시다 :

설명 *에서 * Tenk1에서;

                         쿼리 계획
----------------------------------------------------------------------------------
 Tenk1의 Seq 스캔 (비용 = 0.00..458.00 행 = 10000 너비 = 244)

플래너가 카디널리티를 결정하는 방법Tenk1섹션 14.2이지만 여기에서 반복됩니다 완전성. 페이지와 행의 수는pg_class:

relname = 'tenk1'인 pg_class에서 reelpages, reltuples를 선택하십시오.

 Relpages | 관계
----------+-----------
      358 |     10000

이 숫자는 마지막으로 최신입니다진공또는분석on 테이블. 그런 다음 플래너는 실제 현재 수를 가져옵니다 테이블에있는 페이지 (이것은 저렴한 작업입니다. 테이블 스캔). 그것이 다르면RelpagestheReltuples에 따라 a에 도달하도록 스케일링됩니다 현재 행 숫자 추정치. 위의 예에서는 값입니다 의Relpages는 최신입니다 행 스포츠 토토 결과치는와 동일합니다.reltuples.

범위 조건이있는 예로 넘어 가자여기서절 :

select *에서 * tenk1 where 1 <1000;

                                   쿼리 계획
-----------------------------------------------------------------------------------------
 Tenk1의 비트 맵 힙 스캔 (비용 = 24.06..394.64 행 = 1007 너비 = 244)
   COND를 다시 확인하십시오 : (고유 1 <1000)
   - tenk1_unique1의 비트 맵 인덱스 스캔 (비용 = 0.00..23.80 행 = 1007 너비 = 0)
         색인 조건 : (고유 1 <1000)

플래너는를 검사합니다.여기서절 조건 및 연산자의 선택성 함수를 찾습니다<inpg_operator. 이것은 열에 보관됩니다Oprrest및이 경우 항목 이다Scalarltsel. 그만큼Scalarltsel함수는 히스토그램을 검색합니다 을 위한고유 1Frompg_statistics. 수동 쿼리의 경우 더 많습니다 더 간단한 것을 보는 편리함PG_STATSview:

pg_stats에서 histogram_bounds를 선택하십시오
여기서 tableName = 'tenK1'및 AttName = '고유 한';

                   Histogram_bounds
--------------------------------------------------------------
 0,993,1997,3050,4040,5036,5957,7057,8029,9016,9995

다음으로 히스토그램의 분수"<1000"가 해결되었습니다. 이것은입니다 선택성. 히스토그램은 범위를 동일한 주파수로 나눕니다 버킷, 그래서 우리가해야 할 일은 우리의 가치가있는 버킷을 찾는 것입니다. 안고 계산PartOF 그것과all전에. 값 1000은 분명히 두 번째 버킷에 있습니다 (993-1997). 각각 내부의 값의 선형 분포를 가정합니다 버킷, 선택성을 다음과 같이 계산할 수 있습니다.

selectivity = (1 + (1000- 버킷 [2] .min)/(버킷 [2] .max -bucket [2] .min))/num_buckets
            = (1 + (1000-993)/(1997-993))/10
            = 0.100697

즉, 하나의 전체 버킷과 선형 분율 둘째, 버킷 수로 나눈 값. 예상 수 이제 행을 선택성의 산물로 계산할 수 있습니다. 의 카디널리티Tenk1:

rows = rel_cardinality * 선택성
     = 10000 * 0.100697
     = 1007 (반올림)

다음 평등 조건이있는 예를 고려해 봅시다. 그것은여기서절 :

select * from tenk1 where Stringu1 = 'craaaa';

                        쿼리 계획
--------------------------------------------------------------------
 Tenk1의 Seq 스캔 (비용 = 0.00..483.00 행 = 30 너비 = 244)
   필터 : (stringu1 = 'craaaa':: name)

다시 플래너가를 검사합니다여기서조항 조건 및 선택성 함수를 찾아=,eqsel. 평등 스포츠 토토 결과의 경우 히스토그램은입니다 유용하지 않습니다. 대신 목록가장 일반적입니다 값(MCVs)는 익숙합니다 선택성을 결정하십시오. MCV를 살펴 보겠습니다 나중에 유용한 일부 추가 열 :

null_frac, n_distinct, most_common_vals, most_common_freqs pg_stats를 선택하십시오
여기서 tableName = 'tenK1'및 AttName = 'StringU1';

null_frac | 0
n_distinct | 676
Most_common_vals | ejaaaa, bbaaaa, craaaa, fcaaaa, feaaaa, gsaaaa, joaaaa, mcaaaa, naaaaa, wgaaaa

이후Craaaa목록에 나타납니다 MCVS, 선택성은 단지 해당 항목입니다. 가장 일반적인 주파수 목록 (MCFs) :

선택성 = MCF [3]
            = 0.003

이전과 같이, 추정 된 행 수는 단지 이것은의 추기경과 함께Tenk1:

행 = 10000 * 0.003
     = 30

이제 동일한 쿼리를 고려하지만 상수는 아닙니다. 에서MCV목록 :

StringU1 = 'xxx'에서 10에서 선택 *을 선택하십시오.

                        쿼리 계획
--------------------------------------------------------------------
 Tenk1의 Seq 스캔 (비용 = 0.00..483.00 행 = 15 너비 = 244)
   필터 : (stringu1 = 'xxx':: name)

이것은 상당히 다른 문제입니다 : 스포츠 토토 결과 방법 값이있을 때 선택성notinMCV목록. 접근 방식은 사실을 사용하는 것입니다 가치가 목록에 있지 않으며 모든 주파수MCVS :

selectivity = (1- sum (mvf))/(num_distinct -num_mcv)
            = (1- (0.00333333 + 0.003 + 0.003 + 0.003 + 0.003 + 0.003 +
                    0.003 + 0.003 + 0.003 + 0.003))/(676-10)
            = 0.0014559

즉,의 모든 주파수를 추가하십시오.MCVs에서 하나에서 빼낸 다음 분할하십시오 의 수에 따라기타별개의 값. 이것은의 일부를 가정하는 것입니다 MCV가 아닌 열이 균등하게 분포되어 있습니다. 다른 모든 뚜렷한 값 중. 아니오가 있습니다 NULL 값이므로 걱정할 필요가 없습니다 (그렇지 않으면 우리는 분자로부터 널 분수를 빼십시오). 그만큼 그런 다음 평소와 같이 예상 행 수를 계산합니다.

행 = 10000 * 0.0014559
     = 15 (반올림)

이전 예제고유 한 < 1000what의 지나치게 단순화되었습니다Scalarltsel실제로; 이제 우리가 보았습니다 MCV 사용의 예, 더 자세한 내용을 채울 수 있습니다. 그 이후로 그 예는 그 이후로 정확했습니다.고유 한 1는 고유 한 열입니다 MCVS (분명히 다른 사람보다 더 일반적이지 않습니다. 값). 비 유니 키 열의 경우 일반적으로 둘 다 히스토그램 및 MCV 목록 및히스토그램에는 부분이 포함되어 있지 않습니다 MCVS로 대표되는 열 모집단. 우리는합니다 보다 정확한 스포츠 토토 결과을 허용하기 때문에 이런 식으로. ~ 안에 이 상황Scalarltsel직접 조건을 적용합니다 (예 :"< 1000 ") MCV 목록의 각 값에 조건이 사실 인 MCV의 주파수. 이것 의 일부 내에서 선택성에 대한 정확한 추정치를 제공합니다. MCV 인 테이블. 그런 다음 히스토그램이 동일하게 사용됩니다 위의 방법은 MCV가 아닌 테이블과 두 숫자는 전체 선택성을 추정하십시오. 예를 들어, 고려

StringU1 < 'iaaaaaa'에서 tenk1에서 선택 *을 선택하십시오.

                         쿼리 계획
-------------------------------------------------------------------
 Tenk1의 Seq 스캔 (비용 = 0.00..483.00 행 = 3077 너비 = 244)
   필터 : (stringu1 < 'iaaaaa':: name)

우리는 이미 MCV 정보를 보았습니다StringU1, 그리고 여기에 히스토그램이 있습니다 :

PG_STATS에서 histogram_bounds를 선택하십시오
여기서 tableName = 'tenK1'및 AttName = 'StringU1';

                                Histogram_bounds
-----------------------------------------------------------------------------------------
 aaaaaa, cqaaaa, fraaaa, ibaaaa, kraaaa, nfaaaa, psaaaa, sgaaaa, vaaaaa, xlaaaa, zzaaaa

MCV 목록 확인, 조건이 있음을 알 수 있습니다StringU1 < 'iaaaaa'첫 번째는 만족합니다 six entries and not the last four, so the selectivity within the MCV 인구의 일부는

selectivity = sum (관련 mvfs)
            = 0.00333333 + 0.003 + 0.003 + 0.003 + 0.003 + 0.003
            = 0.01833333

모든 MCF를 합산하면서 MCV로 대표되는 인구는 0.03033333이므로 따라서 히스토그램으로 표시되는 분율은 0.96966667입니다 (다시, 널이없고, 그렇지 않으면 여기에 제외해야합니다). 우리는 할 수 있습니다 값 참조IAAAAA거의 떨어집니다 세 번째 히스토그램 버킷의 끝에. 오히려 일부를 사용합니다 다른 문자의 빈도에 대한 치즈 가정, 플래너는의 일부에 대한 추정치 0.298387에 도착합니다. 히스토그램 모집단보다IAAAAA. 그런 다음 MCV의 추정치를 결합합니다 및 비 MCV 인구 :

selectivity = mcv_selectivity + histogram_selectivity * histogram_fraction
            = 0.0183333 + 0.298387 * 0.96966667
            = 0.307669

행 = 10000 * 0.307669
            = 3077 (반올림)

이 특정 예에서 MCV 목록의 수정 열 분포가 실제로이기 때문에 상당히 작습니다 상당히 평평합니다 (이러한 특정 값을 보여주는 통계 다른 것보다 더 일반적이라는 것은 주로 샘플링 오류로 인한 것입니다). 일부 값이 훨씬 더 많은 경우 다른 것보다 일반적 으로이 복잡한 프로세스는 유용합니다 선택성이 가장 많기 때문에 정확도 향상 일반적인 값은 정확히 발견됩니다.

이제에 둘 이상의 조건이있는 사례를 고려해 봅시다여기서절 :

select *에서 * tenk1에서 고유 한 <1000 및 stringu1 = 'xxx';

                                   쿼리 계획
-----------------------------------------------------------------------------------------
 Tenk1의 비트 맵 힙 스캔 (비용 = 23.80..396.91 행 = 1 너비 = 244)
   COND를 다시 확인하십시오 : (고유 1 <1000)
   필터 : (stringu1 = 'xxx':: name)
   - tenk1_unique1의 비트 맵 인덱스 스캔 (비용 = 0.00..23.80 행 = 1007 너비 = 0)
         색인 조건 : (고유 1 <1000)

플래너는 두 조건이 독립적이라고 가정합니다. 조항의 개별 선택성이 곱하기 :

selectivity = selectivity (고유 1 <1000) * selectivity (stringu1 = 'xxx')
            = 0.100697 * 0.0014559
            = 0.0001466

행 = 10000 * 0.0001466
            = 1 (반올림)

비트 맵 인덱스 스캔은 다음과 함께 사용되는 조건 만 반영합니다. 색인; 이것은 비용 추정치에 영향을 미치기 때문에 중요합니다. 후속 힙이 가져옵니다.

마지막으로 우리는 조인과 관련된 쿼리를 검사합니다 :

설명 *에서 10, Tenk2 T2에서 선택하십시오
여기서 t1.unique1 <50 및 t1.unique2 = t2.unique2;

                                      쿼리 계획
-----------------------------------------------------------------------------------------------------
 중첩 루프 (비용 = 4.64..456.23 줄 = 50 너비 = 488)
   - tenk1 t1의 비트 맵 힙 스캔 (비용 = 4.64..142.17 행 = 50 너비 = 244)
         COND를 다시 확인하십시오 : (고유 1 <50)
         - tenk1_unique1의 비트 맵 인덱스 스캔 (비용 = 0.00..4.63 행 = 50 너비 = 0)
               색인 조건 : (고유 1 <50)
   - tenk2 t2에서 tenk2_unique2를 사용한 인덱스 스캔 (비용 = 0.00..6.27 행 = 1 너비 = 244)
         색인 조건 : (고유 2 = t1.unique2)

제한 ONTenk1, 고유 한 <50, 이전에 평가됩니다 중첩 루프 조인. 이것은 이전과 유사하게 처리됩니다 범위 예제. 이번에는 값 50이 첫 번째 양동이로 떨어집니다. 의고유 1히스토그램 :

selectivity = (0 + (50- 버킷 [1] .min)/(버킷 [1] .max- 버킷 [1] .min))/num_buckets
            = (0 + (50-0)/(993-0))/10
            = 0.005035

행 = 10000 * 0.005035
            = 50 (반올림)

가입 제한은입니다.t2.unique2 = t1.unique2. 운영자는 우리의 친숙한 것입니다=, 그러나 선택성 함수는 얻어집니다 에서oprjoin열의pg_operatoreqjoinsel. eqjoinsel통계 정보를 찾으십시오 둘 다Tenk2및TENK1:

PG_STATS에서 TableName, NULL_FRAC, N_DISTINCT, MOST_COMMON_VALS를 선택하십시오
여기서 ( 'tenk1', 'tenk2') 및 attname = '고유 2'

표준 이름 | null_frac | n_distinct | 대부분의 _common_vals
-----------+----------+--------------------------------
 Tenk1 |         0 |         -1 |
 Tenk2 |         0 |         -1 |

이 경우 아무도 없습니다MCV정보고유 2모든 값이 표시되기 때문입니다 고유하므로 우리는 수에 의존하는 알고리즘을 사용합니다. 두 관계에 대한 뚜렷한 값과 함께 널과 함께 분수 :

selectivity = (1 -null_frac1) * (1 -null_frac2) * min (1/num_distinct1, 1/num_distinct2)
            = (1-0) * (1-0) / max (10000, 10000)
            = 0.0001

이것은 각각의 관계, 그리고 별개의 최대 숫자로 나누기 값. 결합이 방출 될 가능성이있는 행의 수는 두 사람의 카르테시아 제품의 카디널스로 계산 입력, 선택성을 곱한 입력 :

rows = (outer_cardinality * inner_cardinality) * 선택성
     = (50 * 10000) * 0.0001
     = 50

두 열에 대한 MCV 목록이 있었다.eqjoinsel직접 비교를 사용했을 것입니다 MCV는 부품 내 결합 선택성을 결정하도록 나열합니다. MCV로 표시되는 열 집단의. 추정치 인구의 나머지는 같은 접근법을 따릅니다. 여기에 표시.

우리가 보여준 주목Inner_cardinalityas 10000, 즉 변형되지 않은 크기Tenk2. 아마도 검사에서 나타납니다.설명결합 행의 스포츠 토토 결과치가 50 * 1, 즉, 즉, 외부 행의 수는 스포츠 토토 결과 행 수의 횟수 각 내부 색인 스캔에 의해 획득TENK2. 그러나 이것은 사실이 아닙니다 : 조인 관계 크기는 특정 조인 계획이 고려되었습니다. 모든 것이 잘 작동한다면 두 가지 방법입니다 결합 크기를 추정하면 동일한 답변을 생성합니다. 그러나 라운드 오프 오류 및 기타 요인으로 인해 때때로 크게 분기.

자세한 내용에 관심이있는 사람들의 경우 테이블의 크기 (이전여기서Clauses)에서 수행됩니다SRC/백엔드/최적화/util/plancat.c. 일반 절정에 대한 논리 선택은에 있습니다.SRC/백엔드/최적화/PATH/CLAUSESEL.C. 그만큼 연산자 별 선택성 함수는 대부분에서 발견됩니다.src/backend/utils/adt/selfuncs.c.