PostgreSQL-获取具有列最大值的行

我正在处理一个Postgres表（称为“ lives”），该表包含带有time_stamp，usr_id，transaction_id和live_remaining列的记录。我需要一个查询，该查询将为我提供每个usr_id的最新live_remaining总数

1. 有多个用户（与usr_id不同）
   
2. time_stamp不是唯一的标识符：有时，用户事件（表中的每一行）将使用相同的time_stamp发生。
   
3. trans_id仅在很小的时间范围内才是唯一的：随着时间的流逝，它会重复
   
4. （对于给定的用户）剩余的生存时间可以随着时间增加和减少

例：

time_stamp | lives_remaining | usr_id | trans_id
-----------------------------------------
  07:00 | 1 | 1 | 1个    
  09:00 | 4 | 2 | 2    
  10:00 | 2 | 3 | 3    
  10:00 | 1 | 2 | 4    
  11:00 | 4 | 1 | 5    
  11:00 | 3 | 1 | 6    
  13:00 | 3 | 3 | 1个    

因为我将需要使用给定usr_id的每个给定数据访问该行的其他列，因此我需要一个查询，其结果如下：

time_stamp | lives_remaining | usr_id | trans_id
-----------------------------------------
  11:00 | 3 | 1 | 6    
  10:00 | 1 | 2 | 4    
  13:00 | 3 | 3 | 1个    

如前所述，每个usr_id可能会丧生，有时，这些带有时间戳的事件发生得非常紧密，以至于它们具有相同的时间戳！因此，此查询将不起作用：

SELECT b.time_stamp,b.lives_remaining,b.usr_id,b.trans_id FROM 
      (SELECT usr_id, max(time_stamp) AS max_timestamp 
       FROM lives GROUP BY usr_id ORDER BY usr_id) a 
JOIN lives b ON a.max_timestamp = b.time_stamp

相反，我需要同时使用time_stamp（第一）和trans_id（第二）来标识正确的行。然后，我还需要将该信息从子查询传递到主查询，该主查询将提供相应行的其他列的数据。这是我必须使用的修改查询：

SELECT b.time_stamp,b.lives_remaining,b.usr_id,b.trans_id FROM 
      (SELECT usr_id, max(time_stamp || '*' || trans_id) 
       AS max_timestamp_transid
       FROM lives GROUP BY usr_id ORDER BY usr_id) a 
JOIN lives b ON a.max_timestamp_transid = b.time_stamp || '*' || b.trans_id 
ORDER BY b.usr_id

好的，这可行，但是我不喜欢它。它需要一个查询中的一个查询，一个自我连接，在我看来，抓住MAX发现具有最大时间戳和trans_id的行可能会更简单。表“ lives”具有数千万行要解析，因此我希望此查询尽可能快和高效。我是RDBM和Postgres的新手，所以我知道我需要有效地使用适当的索引。我对如何优化有些迷惑。

我在这里找到了类似的讨论。我可以执行某种与Oracle分析功能等效的Postgres吗？

任何有关访问由聚合函数（如MAX）使用的相关列信息，创建索引以及创建更好的查询的建议都将不胜感激！

PS您可以使用以下内容创建我的示例案例：

create TABLE lives (time_stamp timestamp, lives_remaining integer, 
                    usr_id integer, trans_id integer);
insert into lives values ('2000-01-01 07:00', 1, 1, 1);
insert into lives values ('2000-01-01 09:00', 4, 2, 2);
insert into lives values ('2000-01-01 10:00', 2, 3, 3);
insert into lives values ('2000-01-01 10:00', 1, 2, 4);
insert into lives values ('2000-01-01 11:00', 4, 1, 5);
insert into lives values ('2000-01-01 11:00', 3, 1, 6);
insert into lives values ('2000-01-01 13:00', 3, 3, 1);

在具有158k个伪随机行的表上（usr_id在0和10k trans_id之间均匀分布，在0和30之间均匀分布），

下面，通过查询成本，我指的是基于Postgres的基于成本的优化器的成本估算（带有Postgres的默认xxx_cost值），它是对所需I / O和CPU资源的加权函数估算；您可以通过启动PgAdminIII并在查询中运行“查询/解释（F7）”并将“查询/解释选项”设置为“分析”来获得此信息。

• Quassnoy的查询有745k成本估算（！），并完成了130秒（给出一个复合索引（usr_id，trans_id，time_stamp））
• Bill的查询的费用估算为93k，并在2.9秒内完成（鉴于（usr_id，trans_id）上的复合索引）
• 查询＃1的下方具有16K成本估算，和在800ms的结束（在给定的化合物指数（usr_id，trans_id，time_stamp））
• 查询＃2的下方具有14K成本估算，和在800ms的结束（在给定的化合物功能指数（usr_id，EXTRACT(EPOCH FROM time_stamp)，trans_id））
  • 这是Postgres特有的
• 下面的查询＃3（Postgres的8.4+）具有成本估算和完成时间相当（或更好）的查询＃2（在给定（一个复合索引usr_id，time_stamp，trans_id））; 它具有lives仅扫描表一次的优点，并且，如果您临时增加（如果需要）work_mem以容纳内存中的排序，则它将是所有查询中最快的。

上面所有时间都包括检索全部1万行结果集。

您的目标是最小的成本估算和最少的查询执行时间，重点是估算成本。查询执行可能在很大程度上取决于运行时条件（例如，相关行是否已经完全缓存在内存中），而成本估算却没有。另一方面，请记住，成本估算正是估算值。

在没有负载的专用数据库上运行时（例如在开发PC上使用pgAdminIII），可以获得最佳的查询执行时间。查询时间将根据实际的机器负载/数据访问范围而有所不同。当一个查询稍快出现（<20％）比其它但是具有多更高的成本，这将通常是明智的选择具有较高的执行时间，但成本更低。

如果您希望运行查询时生产机器上的内存没有竞争（例如，并发查询和/或文件系统活动不会破坏RDBMS缓存和文件系统缓存），那么您获得的查询时间在独立模式下（例如开发PC上的pgAdminIII）将具有代表性。如果生产系统存在争用，查询时间将与估计的成本比率成比例地降低，因为成本较低的查询不太依赖缓存，而成本较高的查询将一遍又一遍地重新访问相同的数据（触发在没有稳定缓存的情况下添加其他I / O），例如：

              cost | time (dedicated machine) |     time (under load) |
-------------------+--------------------------+-----------------------+
some query A:   5k | (all data cached)  900ms | (less i/o)     1000ms |
some query B:  50k | (all data cached)  900ms | (lots of i/o) 10000ms |

ANALYZE lives创建必要的索引后，请不要忘记运行一次。

查询＃1

-- incrementally narrow down the result set via inner joins
--  the CBO may elect to perform one full index scan combined
--  with cascading index lookups, or as hash aggregates terminated
--  by one nested index lookup into lives - on my machine
--  the latter query plan was selected given my memory settings and
--  histogram
SELECT
  l1.*
 FROM
  lives AS l1
 INNER JOIN (
    SELECT
      usr_id,
      MAX(time_stamp) AS time_stamp_max
     FROM
      lives
     GROUP BY
      usr_id
  ) AS l2
 ON
  l1.usr_id     = l2.usr_id AND
  l1.time_stamp = l2.time_stamp_max
 INNER JOIN (
    SELECT
      usr_id,
      time_stamp,
      MAX(trans_id) AS trans_max
     FROM
      lives
     GROUP BY
      usr_id, time_stamp
  ) AS l3
 ON
  l1.usr_id     = l3.usr_id AND
  l1.time_stamp = l3.time_stamp AND
  l1.trans_id   = l3.trans_max

查询＃2

-- cheat to obtain a max of the (time_stamp, trans_id) tuple in one pass
-- this results in a single table scan and one nested index lookup into lives,
--  by far the least I/O intensive operation even in case of great scarcity
--  of memory (least reliant on cache for the best performance)
SELECT
  l1.*
 FROM
  lives AS l1
 INNER JOIN (
   SELECT
     usr_id,
     MAX(ARRAY[EXTRACT(EPOCH FROM time_stamp),trans_id])
       AS compound_time_stamp
    FROM
     lives
    GROUP BY
     usr_id
  ) AS l2
ON
  l1.usr_id = l2.usr_id AND
  EXTRACT(EPOCH FROM l1.time_stamp) = l2.compound_time_stamp[1] AND
  l1.trans_id = l2.compound_time_stamp[2]

2013/01/29更新

最后，从8.4版开始，Postgres支持Window Function，这意味着您可以编写如下简单而有效的内容：

查询＃3

-- use Window Functions
-- performs a SINGLE scan of the table
SELECT DISTINCT ON (usr_id)
  last_value(time_stamp) OVER wnd,
  last_value(lives_remaining) OVER wnd,
  usr_id,
  last_value(trans_id) OVER wnd
 FROM lives
 WINDOW wnd AS (
   PARTITION BY usr_id ORDER BY time_stamp, trans_id
   ROWS BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING
 );

我建议基于一种干净的版本DISTINCT ON（见文档）：

SELECT DISTINCT ON (usr_id)
    time_stamp,
    lives_remaining,
    usr_id,
    trans_id
FROM lives
ORDER BY usr_id, time_stamp DESC, trans_id DESC;

这是另一种方法，它碰巧不使用任何相关的子查询或GROUP BY。我不是PostgreSQL性能调优的专家，因此建议您同时尝试此方法和其他人提供的解决方案，以查看哪种方法更适合您。

SELECT l1.*
FROM lives l1 LEFT OUTER JOIN lives l2
  ON (l1.usr_id = l2.usr_id AND (l1.time_stamp < l2.time_stamp 
   OR (l1.time_stamp = l2.time_stamp AND l1.trans_id < l2.trans_id)))
WHERE l2.usr_id IS NULL
ORDER BY l1.usr_id;

我假设trans_id至少在的任何给定值上都是唯一的time_stamp。

我喜欢您提到的另一页上Mike Woodhouse的回答风格。当要最大化的对象仅是一列时，这尤其简洁。在这种情况下，子查询可以使用MAX(some_col)而GROUP BY其他列可以使用，但是在您的情况下，您需要将两部分的数量最大化，您仍然可以使用ORDER BY加号LIMIT 1（由Quassnoi完成）：

SELECT * 
FROM lives outer
WHERE (usr_id, time_stamp, trans_id) IN (
    SELECT usr_id, time_stamp, trans_id
    FROM lives sq
    WHERE sq.usr_id = outer.usr_id
    ORDER BY trans_id, time_stamp
    LIMIT 1
)

我发现使用行构造器语法WHERE (a, b, c) IN (subquery)很好，因为它减少了所需的语言量。

实际上，有一个针对此问题的解决方案。假设您要选择一个区域中每个森林的最大树。

SELECT (array_agg(tree.id ORDER BY tree_size.size)))[1]
FROM tree JOIN forest ON (tree.forest = forest.id)
GROUP BY forest.id

当您将树木按森林分组时，将有未分类的树木列表，您需要找到最大的树木。您应该做的第一件事是按行的大小对其进行排序，然后选择列表中的第一个。看来效率不高，但是如果您有数百万行，它将比包含JOIN和WHERE条件的解决方案快得多。

顺便说一句，请注意ORDER_BYfor array_agg是在Postgresql 9.0中引入的

Postgressql 9.5中有一个名为DISTINCT ON的新选项

SELECT DISTINCT ON (location) location, time, report
    FROM weather_reports
    ORDER BY location, time DESC;

它消除了重复的行，只保留了ORDER BY子句中定义的第一行。

参阅官方文件

SELECT  l.*
FROM    (
        SELECT DISTINCT usr_id
        FROM   lives
        ) lo, lives l
WHERE   l.ctid = (
        SELECT ctid
        FROM   lives li
        WHERE  li.usr_id = lo.usr_id
        ORDER BY
          time_stamp DESC, trans_id DESC
        LIMIT 1
        )

创建索引(usr_id, time_stamp, trans_id)将大大改善此查询。

您应该始终PRIMARY KEY在表中始终保留某种形式。

我认为您在这里遇到了一个主要问题：没有单调增加的“计数器”可以保证给定行的发生时间比另一行晚。举个例子：

timestamp   lives_remaining   user_id   trans_id
10:00       4                 3         5
10:00       5                 3         6
10:00       3                 3         1
10:00       2                 3         2

您不能从此数据中确定哪个是最新条目。是第二个还是最后一个？没有可以用于任何此数据的sort或max（）函数，可以为您提供正确的答案。

增加时间戳的分辨率将有很大的帮助。由于数据库引擎对请求进行了序列化，因此具有足够的分辨率，您可以保证没有两个时间戳相同。

或者，使用不会在很长一段时间内翻转的trans_id。拥有一个trans_id滚动意味着您不能（对于相同的时间戳）知道trans_id 6是否比trans_id 1更新，除非您进行一些复杂的数学运算。

您可能会发现有用的另一种解决方案。

SELECT t.*
FROM
    (SELECT
        *,
        ROW_NUMBER() OVER(PARTITION BY usr_id ORDER BY time_stamp DESC) as r
    FROM lives) as t
WHERE t.r = 1