GROUP BY子句

GROUP BY 子句将 SELECT 查询结果转换为聚合模式,其工作原理如下:

  • GROUP BY 子句包含表达式列表(或单个表达式 — 可以认为是长度为1的列表)。 这份名单充当 “grouping key”,而每个单独的表达式将被称为 “key expressions”.
  • 在所有的表达式在 SELECT, HAVING,和 ORDER BY 子句中 必须 基于键表达式进行计算 聚合函数 在非键表达式(包括纯列)上。 换句话说,从表中选择的每个列必须用于键表达式或聚合函数内,但不能同时使用。
  • 聚合结果 SELECT 查询将包含尽可能多的行,因为有唯一值 “grouping key” 在源表中。 通常这会显着减少行数,通常是数量级,但不一定:如果所有行数保持不变 “grouping key” 值是不同的。

还有一种额外的方法可以在表上运行聚合。 如果查询仅在聚合函数中包含表列,则 GROUP BY 可以省略,并且通过一个空的键集合来假定聚合。 这样的查询总是只返回一行。

空处理

对于分组,ClickHouse解释 NULL 作为一个值,并且 NULL==NULL. 它不同于 NULL 在大多数其他上下文中的处理方式。

这里有一个例子来说明这意味着什么。

假设你有一张表:

  1. ┌─x─┬────y─┐
  2. 1 2
  3. 2 ᴺᵁᴸᴸ
  4. 3 2
  5. 3 3
  6. 3 ᴺᵁᴸᴸ
  7. └───┴──────┘

查询 SELECT sum(x), y FROM t_null_big GROUP BY y 结果:

  1. ┌─sum(x)─┬────y─┐
  2. 4 2
  3. 3 3
  4. 5 ᴺᵁᴸᴸ
  5. └────────┴──────┘

你可以看到 GROUP BYy = NULL 总结 x,仿佛 NULL 是这个值。

如果你通过几个键 GROUP BY,结果会给你选择的所有组合,就好像 NULL 是一个特定的值。

WITH TOTAL 修饰符

如果 WITH TOTALS 被指定,将计算另一行。 此行将具有包含默认值(零或空行)的关键列,以及包含跨所有行计算值的聚合函数列( “total” 值)。

这个额外的行仅产生于 JSON*, TabSeparated*,和 Pretty* 格式,与其他行分开:

  • JSON* 格式,这一行是作为一个单独的输出 ‘totals’ 字段。
  • TabSeparated* 格式,该行位于主结果之后,前面有一个空行(在其他数据之后)。
  • Pretty* 格式时,该行在主结果之后作为单独的表输出。
  • 在其他格式中,它不可用。

WITH TOTALS 可以以不同的方式运行时 HAVING 是存在的。 该行为取决于 totals_mode 设置。

配置总和处理

默认情况下, totals_mode = 'before_having'. 在这种情况下, ‘totals’ 是跨所有行计算,包括那些不通过具有和 max_rows_to_group_by.

其他替代方案仅包括通过具有在 ‘totals’,并与设置不同的行为 max_rows_to_group_bygroup_by_overflow_mode = 'any'.

after_having_exclusive – Don’t include rows that didn’t pass through max_rows_to_group_by. 换句话说, ‘totals’ 将有少于或相同数量的行,因为它会 max_rows_to_group_by 被省略。

after_having_inclusive – Include all the rows that didn’t pass through ‘max_rows_to_group_by’ 在 ‘totals’. 换句话说, ‘totals’ 将有多个或相同数量的行,因为它会 max_rows_to_group_by 被省略。

after_having_auto – Count the number of rows that passed through HAVING. If it is more than a certain amount (by default, 50%), include all the rows that didn’t pass through ‘max_rows_to_group_by’ 在 ‘totals’. 否则,不包括它们。

totals_auto_threshold – By default, 0.5. The coefficient for after_having_auto.

如果 max_rows_to_group_bygroup_by_overflow_mode = 'any' 不使用,所有的变化 after_having 是相同的,你可以使用它们中的任何一个(例如, after_having_auto).

您可以使用 WITH TOTALS 在子查询中,包括在子查询 JOIN 子句(在这种情况下,将各自的总值合并)。

例子

示例:

  1. SELECT
  2. count(),
  3. median(FetchTiming > 60 ? 60 : FetchTiming),
  4. count() - sum(Refresh)
  5. FROM hits

但是,与标准SQL相比,如果表没有任何行(根本没有任何行,或者使用 WHERE 过滤之后没有任何行),则返回一个空结果,而不是来自包含聚合函数初始值的行。

相对于MySQL(并且符合标准SQL),您无法获取不在键或聚合函数(常量表达式除外)中的某些列的某些值。 要解决此问题,您可以使用 ‘any’ 聚合函数(获取第一个遇到的值)或 ‘min/max’.

示例:

  1. SELECT
  2. domainWithoutWWW(URL) AS domain,
  3. count(),
  4. any(Title) AS title -- getting the first occurred page header for each domain.
  5. FROM hits
  6. GROUP BY domain

对于遇到的每个不同的键值, GROUP BY 计算一组聚合函数值。

GROUP BY 不支持数组列。

不能将常量指定为聚合函数的参数。 示例: sum(1). 相反,你可以摆脱常数。 示例: count().

实现细节

聚合是面向列的 DBMS 最重要的功能之一,因此它的实现是ClickHouse中最优化的部分之一。 默认情况下,聚合使用哈希表在内存中完成。 它有 40+ 的特殊化自动选择取决于 “grouping key” 数据类型。

在外部存储器中分组

您可以启用将临时数据转储到磁盘以限制内存使用期间 GROUP BY.
max_bytes_before_external_group_by 设置确定倾销的阈值RAM消耗 GROUP BY 临时数据到文件系统。 如果设置为0(默认值),它将被禁用。

使用时 max_bytes_before_external_group_by,我们建议您设置 max_memory_usage 大约两倍高。 这是必要的,因为聚合有两个阶段:读取数据和形成中间数据(1)和合并中间数据(2)。 将数据转储到文件系统只能在阶段1中发生。 如果未转储临时数据,则阶段2可能需要与阶段1相同的内存量。

例如,如果 max_memory_usage 设置为10000000000,你想使用外部聚合,这是有意义的设置 max_bytes_before_external_group_by 到10000000000,和 max_memory_usage 到20000000000。 当触发外部聚合(如果至少有一个临时数据转储)时,RAM的最大消耗仅略高于 max_bytes_before_external_group_by.

通过分布式查询处理,在远程服务器上执行外部聚合。 为了使请求者服务器只使用少量的RAM,设置 distributed_aggregation_memory_efficient 到1。

当合并数据刷新到磁盘时,以及当合并来自远程服务器的结果时, distributed_aggregation_memory_efficient 设置被启用,消耗高达 1/256 * the_number_of_threads 从RAM的总量。

当启用外部聚合时,如果数据量小于 max_bytes_before_external_group_by (例如数据没有被 flushed), 查询执行速度和不在外部聚合的速度一样快. 如果临时数据被flushed到外部存储, 执行的速度会慢几倍 (大概是三倍).

如果你有一个 ORDER BY 用一个 LIMITGROUP BY,然后使用的RAM的量取决于数据的量 LIMIT,不是在整个表。 但如果 ORDER BY 没有 LIMIT,不要忘记启用外部排序 (max_bytes_before_external_sort).