无需排序即可获取组 ID 的有效方法

Question

想象一下我有一个像这样的非规范化表：

CREATE TABLE Persons
(
    Id           int identity primary key,
    FirstName    nvarchar(100),
    CountryName  nvarchar(100)
)

INSERT INTO Persons
VALUES ('Mark',    'Germany'),
       ('Chris',   'France'),
       ('Grace',   'Italy'),
       ('Antonio', 'Italy'),
       ('Francis', 'France'),
       ('Amanda',  'Italy');

我需要构建一个查询来返回每个人的姓名，以及他们所在国家/地区的唯一 ID。 ID 不一定必须是连续的；更重要的是，它们不必按任何顺序排列。实现这一目标的最有效方法是什么？

最简单的解决方案似乎是DENSE_RANK：

SELECT FirstName, 
       CountryName, 
       DENSE_RANK() OVER (ORDER BY CountryName) AS CountryId
FROM Persons

-- FirstName  CountryName  CountryId
-- Chris      France       1
-- Francis    France       1
-- Mark       Germany      2
-- Amanda     Italy        3
-- Grace      Italy        3
-- Antonio    Italy        3

但是，这会在我的 CountryName 列上产生排序，这会浪费性能。我想出了这个替代方案，它使用ROW_NUMBER 和众所周知的技巧来抑制其排序：

SELECT P.FirstName, 
       P.CountryName,
       C.CountryId
FROM Persons P
    JOIN (
        SELECT CountryName, 
               ROW_NUMBER() OVER (ORDER BY (SELECT 1)) AS CountryId
        FROM Persons
        GROUP BY CountryName
    ) C
    ON C.CountryName = P.CountryName

-- FirstName  CountryName  CountryId
-- Mark       Germany      2
-- Chris      France       1
-- Grace      Italy        3
-- Antonio    Italy        3
-- Francis    France       1
-- Amanda     Italy        3

我是否正确假设第二个查询通常会表现更好（不仅仅是在我设计的数据集上）？是否存在任何可能产生影响的因素（例如CountryName 上的索引）？有没有更优雅的表达方式？

Answer 1

您为什么认为聚合比窗口函数便宜？我问，因为我对两者都有一些经验，并且对此事没有强烈的意见。如果按下，我猜窗口函数会更快，因为它不必聚合所有数据然后将结果重新加入。

这两个查询将有非常不同的执行路径。查看哪个性能更好的正确方法是尝试一下。对您环境中足够大的数据样本运行这两个查询。

顺便说一句，我认为没有正确答案，因为性能取决于几个因素：

• 索引了哪些列？
• 数据有多大？它适合内存吗？
• 有多少个不同的国家？

如果您关心性能，并且只想要一个唯一的编号，您可以考虑改用checksum()。这确实存在碰撞的风险。对于 200 个左右的国家来说，这种风险非常非常小。另外，您可以对其进行测试并在它确实发生时对其进行处理。查询将是：

SELECT FirstName, CountryName, CheckSum(CountryName) AS CountryId
FROM Persons;

Answer 2

您的第二个查询很可能会避免排序，因为它会使用哈希匹配聚合来构建内部查询，然后使用哈希匹配连接将 ID 映射到实际记录。

这确实不排序，但必须扫描原始表两次。

我是否正确假设第二个查询总体上会表现更好（不仅仅是在我设计的数据集上）？

不一定。如果您在 CountryName 上创建了一个聚集索引，那么排序将不是问题，所有事情都将一次性完成。

有没有更优雅的表达方式？

“正确”的计划是一次性进行散列和散列查找。

读取的每条记录都必须与哈希表匹配。在匹配时，将返回存储的 ID；如果未命中，则将新国家/地区添加到哈希表中，分配新 ID，并返回新分配的 ID。

但我想不出办法让 SQL Server 在单个查询中使用这样的计划。

更新：

如果您有很多记录、几个国家/地区，最重要的是，CountryName 上有一个非聚集索引，您可以模拟松散扫描来构建国家/地区列表：

DECLARE  @country TABLE
         (
         id INT NOT NULL IDENTITY PRIMARY KEY,
         countryName VARCHAR(MAX)
         )
;

WITH    country AS
        (
        SELECT  TOP 1
                countryName
        FROM    persons
        ORDER BY
                countryName
        UNION ALL
        SELECT  (
                SELECT  countryName
                FROM    (
                        SELECT  countryName,
                                ROW_NUMBER() OVER (ORDER BY countryName) rn
                        FROM    persons
                        WHERE   countryName > country.countryName
                        ) q
                WHERE   rn = 1
                )
        FROM    country
        WHERE   countryName IS NOT NULL
        )
INSERT
INTO    @country (countryName)
SELECT  countryName
FROM    country
WHERE   countryName IS NOT NULL
OPTION  (MAXRECURSION 0)

SELECT  p.firstName, c.id
FROM    persons p
JOIN    @country c
ON      c.countryName = p.countryName

Answer 3

group by use 也在后台排序操作符（组基于'排序和比较'，如 C# 中的 Icomparable）