Indexar Group By

Las bases de datos SQL usan dos algoritmos totalmente distintos para group by. El primero, un algoritmo de hash que agrega los registros de entrada en una tabla hash temporal. Una vez que todos los registros de entrada están procesados, es la tabla hash la que en esencia se entrega como resultado. El segundo, el algoritmo ordena/agrupa, que primero ordena todas los datos de entrada vía la clave de agrupación, de forma que todas las filas de cada grupo están a continuación de las otras, de forma encadenada. Después, la base de datos solamente necesita unirlos. En general, ambos algoritmos necesitan materializar un estado intermedio, así que no se puede ejecutar en pipeline. Sin embargo, el algoritmo ordena/agrupa puede utilizar un índice para evitar una operación de ordenación, habilitando un group by en pipeline.

Consideramos la siguiente sentencia: obtener los ingresos del día de ayer agrupados por PRODUCT_ID:

SELECT product_id, sum(eur_value)
  FROM sales
 WHERE sale_date = TRUNC(sysdate) - INTERVAL '1' DAY
 GROUP BY product_id

Como sabemos desde la sección anterior, que existe el índice sobre SALE_DATE y PRODUCT_ID, el algoritmo ordena/agrupa es el más apropiado porque INDEX RANGE SCAN entrega automáticamente las filas en el orden requerido. Eso significa que la base de datos se libra de la materialización porque no necesita una operación de ordenación explícita; group by se ejecuta en pipeline.

El plan de ejecución de Oracle señala una operación SORT GROUP BY en pipeline agregando NOSORT en el plan. El plan de ejecución de otras bases de datos no mencionan ninguna operación de ordenación.

Group by en pipeline tiene los mismos prerequisitos que order by en pipe­line, salvo que no existen los modificadores ASC y DESC. Eso significa que si se define un índice con los modificadores ASC/DESC, no afectaría la eje­cu­ción del group by en pipeline. Lo mismo ocurre para los NULLS FIRST/LAST. Sin embargo, existen bases de datos que no pueden utilizar correctamente un índice ASC/DESC para un group by en pipeline.

Si se extiende la sentencia para considerar todas las ventas desde ayer, como se hizo en el ejemplo con order by en pipeline, se evita un group by en pipeline por las mismas razones que antes: INDEX RANGE SCAN no entrega las filas ordenadas por la clave de agrupación (comparando con la Figura 6.1).

SELECT product_id, sum(eur_value)
  FROM sales
 WHERE sale_date >= TRUNC(sysdate) - INTERVAL '1' DAY
 GROUP BY product_id

En cambio, la base de datos Oracle usa el algoritmo de hash. La ventaja del algoritmo de hash es que solamente necesita almacenar en memoria el resultado agregado, mientras que el algoritmo ordena/agrupa materializa el conjunto completo de entrada. En otras palabras, el algoritmo hash necesita menos memoria.

Como con order by en pipeline, una ejecución rápida no es el aspecto más importante de la ejecución del group by en pipeline. Es más importante que la base de datos lo ejecute de una manera pipeline y entregue el primer resultado antes de haber leído la entrada entera. Ése es el prerequisito para los métodos de optimización avanzados que se explican en el siguiente capítulo.

Si te gusta mi manera de explicar, te encantará mi libro.