在 PostgreSQL 中有效地合并最近日期的两个数据集
Posted
技术标签:
【中文标题】在 PostgreSQL 中有效地合并最近日期的两个数据集【英文标题】:Merging two data sets on closest date efficiently in PostgreSQL 【发布时间】:2014-11-08 17:47:59 【问题描述】:我尝试在最近的日期合并两个具有不同时间分辨率的表。
表格是这样的:
表1:
id | date | device | value1
----------------------------------
1 | 10:22 | 13 | 0.53
2 | 10:24 | 13 | 0.67
3 | 10:25 | 14 | 0.83
4 | 10:25 | 13 | 0.32
表2:
id | date | device | value2
----------------------------------
22 | 10:18 | 13 | 0.77
23 | 10:21 | 14 | 0.53
24 | 10:23 | 13 | 0.67
25 | 10:28 | 14 | 0.83
26 | 10:31 | 13 | 0.23
我想将这些表与第一个表合并。所以我想将 value2 附加到 Table1 中,对于每个设备,都会出现最新的 value2。
结果:
id | date | device | value1 | value2
-------------------------------------------
1 | 10:22 | 13 | 0.53 | 0.77
2 | 10:24 | 13 | 0.67 | 0.67
3 | 10:25 | 14 | 0.83 | 0.53
4 | 10:25 | 13 | 0.32 | 0.67
我有一些 (20-30) 设备,在 Table2 (=m) 中有数千行,在 Table1 (=n) 中有数百万行。
我可以按照日期 (O(n*logn)
) 对所有表进行排序,将它们写入文本文件并像合并一样遍历 Table1,同时从 Table2 中提取数据直到它更新(我必须管理 ~20-30指向每个设备的最新数据的指针,但仅此而已),合并后我可以将其上传回数据库。那么复杂性是O(n*log(n))
用于排序和O(n+m)
用于迭代表。
但最好在数据库中完成。但我能达到的最佳查询是 O(n^2) 复杂度:
SELECT DISTINCT ON (Table1.id)
Table1.id, Table1.date, Table1.device, Table1.value1, Table2.value2
FROM Table1, Table2
WHERE Table1.date > Table2.date and Table1.device = Table2.device
ORDER BY Table1.id, Table1.date-Table2.date;
我需要处理的数据量真的很慢,有没有更好的方法来做到这一点?或者只是用下载的数据做这些事情?
【问题讨论】:
SQL Query to Join Two Tables Based Off Closest Timestamp 的可能重复项 【参考方案1】:您的查询可以重写为:
SELECT DISTINCT ON (t1.id)
t1.id, t1.date, t1.device, t1.value1, t2.value2
FROM table1 t1
JOIN table2 t2 USING (device)
WHERE t1.date > t2.date
ORDER BY t1.id, t2.date DESC;
无需为每个行组合计算日期差异(这很昂贵,而不是sargable),只需从每组中选择具有最大t2.date
的行。索引支持是可取的。
DISTINCT ON
的详细信息:
这可能还不够快。鉴于您的数据分布,您将需要一个松散索引扫描,它可以用相关子查询(如 Gordon 的查询)或更现代和通用的JOIN LATERAL
来模拟:
SELECT t1.id, t1.date, t1.device, t1.value1, t2.value2
FROM table1 t1
LEFT JOIN LATERAL (
SELECT value2
FROM table2
WHERE device = t1.device
AND date < t1.date
ORDER BY date DESC
LIMIT 1
) t2 ON TRUE;
LEFT JOIN
避免在t2
中找不到匹配项时丢失行。详情:
但这仍然不是很快,因为您有“Table2 中有数千行,Table1 中有数百万行”。 p>
两个想法,可能更快,但也更复杂:
1。 UNION ALL
加窗口函数
在UNION ALL
查询中组合Table1
和Table2
,并在派生表上运行窗口函数。 "moving aggregate support" in Postgres 9.4 或更高版本对此进行了增强。
SELECT id, date, device, value1, value2
FROM (
SELECT id, date, device, value1
, min(value2) OVER (PARTITION BY device, grp) AS value2
FROM (
SELECT *
, count(value2) OVER (PARTITION BY device ORDER BY date) AS grp
FROM (
SELECT id, date, device, value1, NULL::numeric AS value2
FROM table1
UNION ALL
SELECT id, date, device, NULL::numeric AS value1, value2
FROM table2
) s1
) s2
) s3
WHERE value1 IS NOT NULL
ORDER BY date, id;
您必须测试它是否可以竞争。足够的work_mem
允许在内存中排序。
dbfiddle here 用于所有三个查询旧 sqlfiddle
2。 PL/pgSQL 函数
Table2
中每个设备的光标,循环 Table1
,在前进到 cursor.date > t1.date
后从相应的设备光标中选择值,并保持value2
的前一行。类似于这里的获胜实现:
可能最快,但要编写更多代码。
【讨论】:
把它赶出公园的方法!你应该得到最好的答案。【参考方案2】:由于表 1 小得多,使用相关子查询可能更有效:
select t1.*,
(select t2.value2
from table2 t2
where t2.device = t.device and t2.date <= t1.date
order by t2.date desc
limit 1
) as value2
from table1 t1;
还要在table2(device, date, value2)
上创建索引以提高性能。
【讨论】:
对不起,我写错了:Table2 较小,Table1 较大,因此 Table2 中的值将多次出现在 Result 表中(如示例中所示)。我相应地编辑了问题。 @hunyadym 。 . .同样的想法应该成立。table1
的索引应该很容易放入内存中,并且 table2 中的每一行都需要对该索引进行简短扫描。
太好了,我试过了,速度要快得多。谢谢!以上是关于在 PostgreSQL 中有效地合并最近日期的两个数据集的主要内容,如果未能解决你的问题,请参考以下文章