PostgreSQL Performance & Query Optimization · Lekcja

Optymalizacja agregacji i funkcji okienkowych

Poznaj techniki wydajnego przetwarzania złożonych agregacji i funkcji okienkowych.

Lekcja 1 z 411 kroki

Optymalizacja agregacji i funkcji okienkowych to bezpłatna lekcja PostgreSQL Performance & Query Optimization na CoddyKit. To lekcja 1 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej PostgreSQL Performance & Query Optimization, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs PostgreSQL Performance & Query Optimization zawiera 4 lekcji w sumie.

Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.

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?

Odpowiedz w interaktywnej lekcji

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!

Bezpłatny start

Ucz się SQL dzięki korepetycjom AI — za darmo

Pisz i uruchamiaj kod w przeglądarce, otrzymuj natychmiastową pomoc od korepetytora AI dostępnego 24/7 i kontynuuj naukę w sieci lub w aplikacji.

Kursy: 22
Lekcje: 88

Zacznij naukę bezpłatnie Wyświetl pełny kurs

Często zadawane pytania

Czy lekcja „Optymalizacja agregacji i funkcji okienkowych” jest bezpłatna?

Tak — pełny tekst „Optymalizacja agregacji i funkcji okienkowych” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu PostgreSQL Performance & Query Optimization, przejdź na CoddyKit PRO. Kurs PostgreSQL Performance & Query Optimization zawiera 4 lekcji w sumie.

Co nauczysz się w „Optymalizacja agregacji i funkcji okienkowych”?

Poznaj techniki wydajnego przetwarzania złożonych agregacji i funkcji okienkowych. Ćwiczysz PostgreSQL Performance & Query Optimization z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć PostgreSQL Performance & Query Optimization?

Nie wymagamy żadnego doświadczenia. PostgreSQL Performance & Query Optimization w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 4.

Ile czasu zajmuje lekcja „Optymalizacja agregacji i funkcji okienkowych”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji PostgreSQL Performance & Query Optimization?

Tak. Każda lekcja PostgreSQL Performance & Query Optimization zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

Optymalizacja agregacji i funkcji okienkowych
Rekurencyjne CTE i zapytania grafowe
Wykorzystanie widoków zmaterializowanych dla wydajności
Optymalizacja zapytań za pomocą FILTER i agregacji warunkowej

← Powrót do PostgreSQL Performance & Query Optimization