PostgreSQL Performance & Query Optimization · Leçon

Optimiser les agrégats et les fonctions de fenêtrage

Découvrez des techniques pour traiter efficacement les agrégations complexes et les fonctions de fenêtrage.

Optimiser les agrégats et les fonctions de fenêtrage est une leçon PostgreSQL Performance & Query Optimization gratuite sur CoddyKit. Ceci est la leçon 1 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage PostgreSQL Performance & Query Optimization, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours PostgreSQL Performance & Query Optimization comprend 4 leçons au total.

Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.

Aggregates & Windows Intro

Welcome to optimizing advanced queries! Today, we'll dive into making your aggregate and window functions run faster.

These powerful SQL features let you perform calculations across groups of rows or related rows. But, without care, they can become performance bottlenecks.

Aggregates Refresher

Aggregate functions summarize data for a group of rows, returning a single value per group. Common ones include COUNT(), SUM(), AVG(), MIN(), and MAX().

They often work with the GROUP BY clause to define these groups. Let's see a simple example:

SELECT
  category,
  COUNT(product_id) AS total_products
FROM
  products
GROUP BY
  category;

Window Functions Overview

Window functions also perform calculations across a set of table rows. However, unlike aggregates, they don't collapse rows. Instead, they return a result for each row in the original query.

They use an OVER() clause to define the 'window' of rows for the calculation. This window can be partitioned and ordered.

Optimizing Aggregates: Early Filtering

A key to fast aggregates is to process less data. Always filter your data as early as possible using the WHERE clause. This reduces the number of rows PostgreSQL needs to scan and group.

Consider this example where we only aggregate for 'Electronics':

SELECT
  category,
  AVG(price) AS avg_price
FROM
  products
WHERE
  category = 'Electronics'
GROUP BY
  category;

Optimizing Aggregates: Indexes for GROUP BY

Indexes can significantly speed up GROUP BY clauses. If an index exists on the column(s) used in GROUP BY, PostgreSQL can often use it to avoid sorting the entire dataset.

This is especially true for B-tree indexes, which store data in a sorted order.

CREATE INDEX idx_products_category
ON products (category);

Window Functions: PARTITION BY

The PARTITION BY clause within OVER() divides your dataset into independent groups, and the window function operates separately within each partition. Think of it like GROUP BY, but without collapsing rows.

Performance-wise, partitioning often involves sorting the data by the partition key(s), which can be resource-intensive for large datasets.

SELECT
  product_name,
  category,
  price,
  AVG(price) OVER (PARTITION BY category) AS avg_category_price
FROM
  products;

Window Functions: ORDER BY in Window

The ORDER BY clause inside OVER() defines the logical order of rows within each partition. This is crucial for ranking functions (like ROW_NUMBER()) and functions that depend on row order (like LAG(), LEAD()).

Just like with aggregates, this ordering step can be costly, especially if no suitable index exists to support the sort order.

SELECT
  product_name,
  category,
  price,
  ROW_NUMBER() OVER (PARTITION BY category ORDER BY price DESC) AS rank_in_category
FROM
  products;

Window Frames: ROWS and RANGE

Beyond PARTITION BY and ORDER BY, you can define a specific window frame using ROWS or RANGE. This specifies which subset of rows within the current partition the function should consider.

ROWS: Based on a fixed number of rows relative to the current row.
RANGE: Based on a value range relative to the current row's value.

Using a smaller, more precise window frame (e.g., ROWS BETWEEN 2 PRECEDING AND CURRENT ROW) often leads to better performance than larger, unbounded frames.

SELECT
  sale_date,
  amount,
  SUM(amount) OVER (
    ORDER BY sale_date
    ROWS BETWEEN 2 PRECEDING AND CURRENT ROW
  ) AS three_day_moving_avg
FROM
  sales;

General Optimization Tips

Here are some general tips for both aggregates and window functions:

Use appropriate indexes: Especially on GROUP BY, PARTITION BY, and ORDER BY columns.
Minimize data: Filter early with WHERE clauses.
Avoid complex expressions: Calculations inside aggregates/windows can be slow. Pre-calculate if possible.
Understand data distribution: Skewed data can lead to uneven work distribution and slow partitions.

Quick Check: Optimizing Aggregates

You have a large orders table and want to find the total amount for orders placed in '2023-01' for each customer. Which approach is generally more performant?

Recap & Next Steps

Great job! You've learned how to approach optimizing both aggregate and window functions.

Filter data early for aggregates.
Use indexes on GROUP BY, PARTITION BY, and ORDER BY columns.
Be mindful of the cost of sorting for both aggregates and window functions.
Define precise window frames with ROWS/RANGE when possible.

Keep these techniques in mind to write faster, more efficient PostgreSQL queries!

Questions Fréquemment Posées

La leçon « Optimiser les agrégats et les fonctions de fenêtrage » est-elle gratuite ?

Oui — le texte complet de « Optimiser les agrégats et les fonctions de fenêtrage » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours PostgreSQL Performance & Query Optimization, passe à CoddyKit PRO. Le cours PostgreSQL Performance & Query Optimization comprend 4 leçons au total.

Qu'est-ce que j'apprendrai dans « Optimiser les agrégats et les fonctions de fenêtrage » ?

Découvrez des techniques pour traiter efficacement les agrégations complexes et les fonctions de fenêtrage. Tu pratiques PostgreSQL Performance & Query Optimization avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.

Dois-je avoir de l'expérience pour commencer PostgreSQL Performance & Query Optimization ?

Aucune expérience préalable n'est requise. PostgreSQL Performance & Query Optimization sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 1 sur 4.

Combien de temps prend la leçon « Optimiser les agrégats et les fonctions de fenêtrage » ?

La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.

Peux-tu écrire et exécuter du code dans cette leçon PostgreSQL Performance & Query Optimization ?

Oui. Chaque leçon PostgreSQL Performance & Query Optimization inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.

Toutes les leçons de ce cours

Optimiser les agrégats et les fonctions de fenêtrage
CTE récursives et requêtes sur les graphes
Utiliser les vues matérialisées pour améliorer les performances
Optimiser les requêtes avec FILTER et l’agrégation conditionnelle

← Retour à PostgreSQL Performance & Query Optimization