Athena Query - “NOT IN” 性能缓慢答案

【问题标题】：Athena Query - "NOT IN" slow performanceAthena Query - “NOT IN” 性能缓慢
【发布时间】：2022-01-09 21:57:27
【问题描述】：

上下文

我正在使用 Athena 构建查询，我注意到使用“NOT IN”对查询的运行时间产生了重大影响。该查询在两个表之间执行连接，旨在通过排除一组 id 来过滤结果的行。

id 不是唯一的。它可能会出现在多行中。本质上，我编写了子查询，因为如果行满足子查询中的条件，我想忽略任何/所有具有给定 id 值的行。

换句话说，对于在数据库中有 5 行的给定 ID“24324”，如果任何单个行的值满足子查询中的条件，我们希望过滤掉所有行。

我的问题

有没有更有效的方法来构建这个查询，我没有考虑过减少运行时间？

查询

表名和列名已使用占位符/通用值进行了清理。

SELECT *
FROM table_a
INNER JOIN table_b ON table_b.external_id = table_a.external_id 
                   AND table_b.client_name = table_a.client
-- These are the ids we do not want in the final result.
WHERE table_b.id NOT IN (SELECT distinct(table_b.id)
                         FROM table_b
                         WHERE table_b.decision IS NOT NULL 
                            OR table_b.submission_time IS NOT NULL)

【问题讨论】：

标签： sql amazon-web-services amazon-athena presto

【解决方案1】：

在连接条件期间过滤空记录。它将首先带来较少的记录加入条件。这将有助于提高性能，尝试优化连接。左侧较大的表，加入右侧较小的表将有助于提高性能。

SELECT *
FROM table_a
INNER JOIN table_b ON table_b.external_id = table_a.external_id 
                   AND table_b.client_name = table_a.client
WHERE NOT EXISTS (SELECT 1
                 FROM table_bb
                 WHERE (table_bb.decision IS NOT NULL 
                    OR table_bb.submission_time IS NOT NULL)
                 and table_b.id = table_bb.id)

【讨论】：

谢谢 :) 在这种情况下，您的建议是否仍不会引入与给定 id 关联的符合条件的行？本质上，如果给定 id 的任何行满足条件，则该 id 的所有行都需要删除。
同意。我错过了第二点。尝试使用存在子句（上面更新）
谢谢！我可以确认这是可行的，不利的一面是它非常慢。当然，这取决于我正在使用的数据库的大小，但我很好奇您是否有任何效率建议？如果不是，我会接受这个答案，因为它确实回答了这个问题。

【解决方案2】：

也许您可以使用分析总和/计数标记非唯一 ID，然后过滤此标记列。

SELECT * FROM
    (
    SELECT
        nonunique_id,
        col2,
        col3,
        col4,
        ...
        SUM(CASE WHEN (row_condition = TRUE) THEN 1 ELSE 0 END)
            OVER (PARTITION BY nonunique_id) exclude_flag
    FROM Table_A a
        JOIN Table_B
    ...
    )
WHERE
    exclude_flag = 0

【讨论】：