Postgresql 中文操作指南
76.2. Multivariate Statistics Examples #
76.2.1. Functional Dependencies #
多元相关性可以使用一个非常简单的数据集来演示——一个包含两列的表，两列都包含相同的值：
CREATE TABLE t (a INT, b INT);
INSERT INTO t SELECT i % 100, i % 100 FROM generate_series(1, 10000) s(i);
ANALYZE t;如 Section 14.2中所述，计划程序可以使用从_pg_class_获取的页数和行数来确定_t_基数：
SELECT relpages, reltuples FROM pg_class WHERE relname = 't';
relpages | reltuples
----------+-----------
45 | 10000数据分布非常简单，每列只有 100 个不同的值，分布均匀。
以下示例显示了对 a 栏进行 WHERE 条件估算的结果：
EXPLAIN (ANALYZE, TIMING OFF) SELECT * FROM t WHERE a = 1;
QUERY PLAN
-------------------------------------------------------------------------------
Seq Scan on t (cost=0.00..170.00 rows=100 width=8) (actual rows=100 loops=1)
Filter: (a = 1)
Rows Removed by Filter: 9900计划程序检查条件并确定此子句的选择性为 1%。通过比较此估计值和实际行数，我们可以看到估计值非常准确（实际上是完全准确的，因为表非常小）。将 WHERE 条件更改为使用 b 栏，会生成一个相同的计划。但观察一下如果我们将相同的条件应用于两列，并将其与 AND 结合起来会发生什么：
EXPLAIN (ANALYZE, TIMING OFF) SELECT * FROM t WHERE a = 1 AND b = 1;
QUERY PLAN
-----------------------------------------------------------------------------
Seq Scan on t (cost=0.00..195.00 rows=1 width=8) (actual rows=100 loops=1)
Filter: ((a = 1) AND (b = 1))
Rows Removed by Filter: 9900计划程序分别对每个条件估算选择性，得出与上述相同的 1% 估计值。然后它假设这些条件是独立的，因此它将它们的选择性相乘，产生仅 0.01% 的最终选择性估计值。这是一个重大的低估，因为满足条件的实际行数（100）高出两个数量级。
通过创建一个统计对象可以解决此问题，该对象将_ANALYZE_引导至计算两列上的函数式依赖多元化统计数据：
CREATE STATISTICS stts (dependencies) ON a, b FROM t;
ANALYZE t;
EXPLAIN (ANALYZE, TIMING OFF) SELECT * FROM t WHERE a = 1 AND b = 1;
QUERY PLAN
-------------------------------------------------------------------------------
Seq Scan on t (cost=0.00..195.00 rows=100 width=8) (actual rows=100 loops=1)
Filter: ((a = 1) AND (b = 1))
Rows Removed by Filter: 990076.2.2. Multivariate N-Distinct Counts #
对多列（如_GROUP BY_子句将生成的组号）集的基数估算也会出现类似问题。当_GROUP BY_列出单列时，n-distinct估算（可用作HashAggregate节点返回的行数的估算值）非常精确：
EXPLAIN (ANALYZE, TIMING OFF) SELECT COUNT(*) FROM t GROUP BY a;
QUERY PLAN
-----------------------------------------------------------------------------------------
HashAggregate (cost=195.00..196.00 rows=100 width=12) (actual rows=100 loops=1)
Group Key: a
-> Seq Scan on t (cost=0.00..145.00 rows=10000 width=4) (actual rows=10000 loops=1)但是，不使用多元化统计数据，像以下示例中在_GROUP BY_中两列的组号估算就会大一个数量级：
EXPLAIN (ANALYZE, TIMING OFF) SELECT COUNT(*) FROM t GROUP BY a, b;
QUERY PLAN
--------------------------------------------------------------------------------------------
HashAggregate (cost=220.00..230.00 rows=1000 width=16) (actual rows=100 loops=1)
Group Key: a, b
-> Seq Scan on t (cost=0.00..145.00 rows=10000 width=8) (actual rows=10000 loops=1)通过将统计对象重新定义为包含两列的n-distinct计数，估算会得到很大提高：
DROP STATISTICS stts;
CREATE STATISTICS stts (dependencies, ndistinct) ON a, b FROM t;
ANALYZE t;
EXPLAIN (ANALYZE, TIMING OFF) SELECT COUNT(*) FROM t GROUP BY a, b;
QUERY PLAN
--------------------------------------------------------------------------------------------
HashAggregate (cost=220.00..221.00 rows=100 width=16) (actual rows=100 loops=1)
Group Key: a, b
-> Seq Scan on t (cost=0.00..145.00 rows=10000 width=8) (actual rows=10000 loops=1)76.2.3. MCV Lists #
如 Section 76.2.1中所述，函数依赖性是一种非常经济且高效的统计类型，但其主要限制在于其全局性（仅跟踪列级别上的依赖性，而不是在各个列值之间）。
本节介绍了 MCV（最常见值）列表的多变量变体，是对 Section 76.1中所述的按列统计的直接扩展。这些统计信息通过存储各个值来解决此限制，但在构建_ANALYZE_中的统计信息、存储和计划时间方面自然更加昂贵。
让我们再查看 Section 76.2.1中的查询，但这次是在同一组列上创建了 MCV 列表（请务必删除函数依赖性，以确保计划程序使用新创建的统计信息）。
DROP STATISTICS stts;
CREATE STATISTICS stts2 (mcv) ON a, b FROM t;
ANALYZE t;
EXPLAIN (ANALYZE, TIMING OFF) SELECT * FROM t WHERE a = 1 AND b = 1;
QUERY PLAN
-------------------------------------------------------------------------------
Seq Scan on t (cost=0.00..195.00 rows=100 width=8) (actual rows=100 loops=1)
Filter: ((a = 1) AND (b = 1))
Rows Removed by Filter: 9900该估算与函数式依赖的估算一样精确，这主要是因为表相当小，且具有值明显不同的简单分布。在查看函数式依赖不够好的第二个查询之前，我们先来检查一下MCV列表。
可以使用_pg_mcv_list_items_集合返回函数检查MCV列表。
SELECT m.* FROM pg_statistic_ext join pg_statistic_ext_data on (oid = stxoid),
pg_mcv_list_items(stxdmcv) m WHERE stxname = 'stts2';
index | values | nulls | frequency | base_frequency
-------+----------+-------+-----------+----------------
0 | {0, 0} | {f,f} | 0.01 | 0.0001
1 | {1, 1} | {f,f} | 0.01 | 0.0001
...
49 | {49, 49} | {f,f} | 0.01 | 0.0001
50 | {50, 50} | {f,f} | 0.01 | 0.0001
...
97 | {97, 97} | {f,f} | 0.01 | 0.0001
98 | {98, 98} | {f,f} | 0.01 | 0.0001
99 | {99, 99} | {f,f} | 0.01 | 0.0001
(100 rows)这确认了两个列中有100个不同的组合，且这些组合的可能性都差不多（每个列的频次都是1%）。基本频次是以按列统计数据计算的频次，就像没有多列统计数据一样。如果任何一列中存在空值，就会在_nulls_列中标识出来。
估算选择性时，规划器会将所有条件应用到MCV列表中的项目上，然后对匹配项的频次求和。有关详细信息，请参阅_src/backend/statistics/mcv.c_中的_mcv_clauselist_selectivity_。
与函数式依赖相比，MCV列表有两个主要优点。首先，此列表存储实际值，从而可以确定哪些组合是兼容的。
EXPLAIN (ANALYZE, TIMING OFF) SELECT * FROM t WHERE a = 1 AND b = 10;
QUERY PLAN
---------------------------------------------------------------------------
Seq Scan on t (cost=0.00..195.00 rows=1 width=8) (actual rows=0 loops=1)
Filter: ((a = 1) AND (b = 10))
Rows Removed by Filter: 10000其次，MCV列表处理更多子句类型，不仅仅是函数式依赖中的相等子句。例如，考虑针对同一表的以下范围查询：
EXPLAIN (ANALYZE, TIMING OFF) SELECT * FROM t WHERE a <= 49 AND b > 49;
QUERY PLAN
---------------------------------------------------------------------------
Seq Scan on t (cost=0.00..195.00 rows=1 width=8) (actual rows=0 loops=1)
Filter: ((a <= 49) AND (b > 49))
Rows Removed by Filter: 10000