注：这些技术是通用的，只不过我们选择使用Postgres的语法。使用独特的pgAdminIII生成解释图形。
很有用，但太慢
Count distinct是SQL分析时的祸根，因此它是我第一篇博客的不二选择。
首先：如果你有一个大的且能够容忍不精确的数据集，那像HyperLogLog这样的概率计数器应该是你最好的选择。（我们会在以后的博客中谈到HyperLogLog。）但对于需要快速、精准答案的查询，一些简单的子查询可以节省你很多时间。
让我们以我们一直使用的一个简单查询开始：哪个图表的用户访问量最大？
|
1
2
3
4
5
6
7
|
select dashboards.name,
count(distinct time_on_site_logs.user_id)
from time_on_site_logs
join dashboards on time_on_site_logs.dashboard_id = dashboards.id
group by name order by count desc
|
首先，我们假设user_id和dashboard_id上已经设置了索引，且有比图表和用户数多得多的日志条目。
一千万行数据时，查询需要48秒。要知道原因让我们看一下SQL解析：
它慢是因为数据库遍历了所有日志以及所有的图表，然后join它们，再将它们排序，这些都在真正的group和分组和聚合工作之前。
先聚合，然后Join
group-聚合后的任何工作代价都要低，因为数据量会更小。group-聚合时我们不需使用dashboards.name，我们也可以先在数据库上做聚集，在join之前：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
select dashboards.name,
log_counts.ct
from dashboards
join (
select
dashboard_id,
count(distinct user_id) as ct
from time_on_site_logs
group by dashboard_id
) as log_counts
on log_counts.dashboard_id = dashboards.id
order by log_counts.ct desc
|
现在查询运行了20秒，提升了2.4倍。再次通过解析来看一下原因：
正如设计的，group-聚合在join之前。而且，额外的我们可以利用time_on_site_logs表里的索引。
首先，缩小数据集
我们可以做的更好。通过在整个日志表上group-聚合，我们处理了数据库中很多不必要的数据。Count distinct为每个group生成一个哈希——在本次环境中为每个dashboard_id——来跟踪哪些bucket中的哪些值已经检查过。
我们可以预先计算差异，而不是处理全部数据，这样只需要一个哈希集合。然后我们在此基础上做一个简单的聚集即可。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
select dashboards.name,
log_counts.ct
from dashboards
join (
select distinct_logs.dashboard_id,
count(1) as ct
from (
select distinct dashboard_id, user_id
from time_on_site_logs
) as distinct_logs
group by distinct_logs.dashboard_id
) as log_counts
on log_counts.dashboard_id = dashboards.id
order by log_counts.ct desc
|
我们采取内部的count-distinct-group，然后将数据拆成两部分分成两块。第一块计算distinct (dashboard_id, user_id) 。第二块在它们基础上运行一个简单group-count。跟上面一样，最后再join。
呵呵，大发现：这样只需要0.7秒！这比上面的查询快28倍，比原来的快了68倍。
通常，数据大小和类型很重要。上面的例子受益于基数中没多少换算。distinct (user_id, dashboard_id)相对于数据总量来说数量也很少。不同的对数越多，用来group和计数的唯一数据就越多——代价便会越来越大。
下一遇到长时间运行的count distinct时，尝试一些子查询来减负吧。
原文地址：https://periscope.io/blog/use-subqueries-to-count-distinct-50x-faster.html