PostgreSQL Performance & Query Optimization · Lección

Uso de vistas materializadas para mejorar el rendimiento

Descubra cómo las vistas materializadas pueden precalcular resultados de consultas complejas para acelerar los informes y los análisis.

Uso de vistas materializadas para mejorar el rendimiento es una lección gratuita de PostgreSQL Performance & Query Optimization en CoddyKit. Esta es la lección 3 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de PostgreSQL Performance & Query Optimization, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de PostgreSQL Performance & Query Optimization incluye 4 lecciones en total.

Partes de esta lección aún no han sido traducidas y se muestran en inglés.

What are Materialized Views?

Welcome to the lesson on Materialized Views! These are powerful tools in PostgreSQL for speeding up complex queries.

Think of a Materialized View (MV) as a pre-computed result set of a query that is stored on disk. Unlike a regular view, which runs its query every time you access it, an MV holds the actual data.

Why Use Materialized Views?

Materialized Views are incredibly useful for performance, especially when dealing with:

Complex Joins: Queries involving many tables.
Aggregations: Calculations like sums, averages, or counts over large datasets.
Reporting & Analytics: Dashboards and reports that frequently query the same complex data.

By pre-calculating and storing these results, MVs can drastically reduce query execution time for repeated requests.

Creating Your First MV

You create a Materialized View using the CREATE MATERIALIZED VIEW statement, followed by a SELECT query. The query defines the data that will be stored in your MV.

Let's create a simple Materialized View to see the average price per category from a products table.

Hands-on MV Creation

Try running this example. It sets up a small products table, inserts some data, and then creates a Materialized View named category_avg_price based on that data.

-- Setup table
CREATE TABLE products (
    id SERIAL PRIMARY KEY,
    name VARCHAR(100),
    category VARCHAR(50),
    price DECIMAL(10, 2)
);

-- Insert data
INSERT INTO products (name, category, price) VALUES
('Laptop', 'Electronics', 1200.00),
('Mouse', 'Electronics', 25.00),
('Keyboard', 'Electronics', 75.00),
('Desk Chair', 'Furniture', 150.00),
('Lamp', 'Furniture', 40.00);

-- Create Materialized View
CREATE MATERIALIZED VIEW category_avg_price AS
SELECT category, AVG(price) AS average_price, COUNT(*) AS product_count
FROM products
GROUP BY category
ORDER BY category;

-- Select from MV
SELECT * FROM category_avg_price;

Keeping Data Fresh

A key difference from regular views is that Materialized Views do not update automatically when the underlying data changes. You need to explicitly refresh them.

Use the REFRESH MATERIALIZED VIEW command to update the data in an MV. For large MVs, you can add CONCURRENTLY to allow other queries to access the view while it's refreshing.

`REFRESH MATERIALIZED VIEW` Demo

Let's add a new product to our products table and then refresh our category_avg_price Materialized View. Notice how the MV shows the old data until it's refreshed.

-- Add new data to the base table
INSERT INTO products (name, category, price) VALUES
('Monitor', 'Electronics', 300.00);

-- Check MV (will NOT show new data yet)
SELECT * FROM category_avg_price;

-- Refresh the Materialized View
REFRESH MATERIALIZED VIEW category_avg_price;

-- Check MV again (NOW shows new data)
SELECT * FROM category_avg_price;

MV vs. Standard Views

It's important to understand the core differences between Materialized Views and standard views:

Standard Views: Are essentially stored queries. They don't store data themselves; they execute their defining query every time they are accessed.
Materialized Views: Store the result of their defining query as actual data on disk. This makes reading from them much faster, but they require manual (or scheduled) refreshing.

Choose MVs when performance is critical for complex, static-ish data.

When to Choose Materialized Views

Materialized Views are ideal for:

Batch Reporting: Generating daily, weekly, or monthly reports that don't need real-time data.
Data Warehousing: Pre-aggregating data for faster analytical queries.
External Dashboards: Providing quick access to complex metrics for BI tools.
Static Data: When the underlying tables don't change very frequently, minimizing refresh overhead.

Avoid MVs for highly transactional, real-time data that needs immediate updates.

MV Knowledge Check

Consider a Materialized View named daily_sales_summary that aggregates sales data from a transactions table.

If new transactions are added to the transactions table, what must you do for daily_sales_summary to reflect these new sales?

Materialized Views: Recap

In this lesson, you've learned about Materialized Views in PostgreSQL.

They are pre-computed query results stored on disk, offering significant performance gains for complex, repetitive queries.
You create them with CREATE MATERIALIZED VIEW.
They require explicit refreshing using REFRESH MATERIALIZED VIEW to update their data.
They are perfect for reporting, analytics, and data warehousing where real-time updates aren't critical.

Keep practicing with MVs to master this powerful optimization technique!

Preguntas frecuentes

¿La lección «Uso de vistas materializadas para mejorar el rendimiento» es gratis?

Sí — el texto completo de «Uso de vistas materializadas para mejorar el rendimiento» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de PostgreSQL Performance & Query Optimization, actualiza a CoddyKit PRO. El curso de PostgreSQL Performance & Query Optimization incluye 4 lecciones en total.

¿Qué aprenderé en «Uso de vistas materializadas para mejorar el rendimiento»?

Descubra cómo las vistas materializadas pueden precalcular resultados de consultas complejas para acelerar los informes y los análisis. Practicas PostgreSQL Performance & Query Optimization con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.

¿Necesito experiencia previa para empezar PostgreSQL Performance & Query Optimization?

No se requiere experiencia previa. PostgreSQL Performance & Query Optimization en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 3 de 4.

¿Cuánto tiempo toma la lección «Uso de vistas materializadas para mejorar el rendimiento»?

La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.

¿Puedo escribir y ejecutar código en esta lección de PostgreSQL Performance & Query Optimization?

Sí. Cada lección de PostgreSQL Performance & Query Optimization incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.

Todas las lecciones de este curso

Optimización de agregaciones y funciones de ventana
CTE recursivas y consultas sobre grafos
Uso de vistas materializadas para mejorar el rendimiento
Optimización de consultas con FILTER y agregación condicional

← Volver a PostgreSQL Performance & Query Optimization