Analyser innehåller ofta kolumner som inte används. Kolumner som väljs ut trots att de inte behövs ger betydligt sämre prestanda. Det här avsnittet beskriver hur du får bättre prestanda genom att ta bort eventuella kolumner som inte behövs.
Identifiera kolumner som inte används
Year
) får du sämre prestanda eftersom:
Följande figur visar en enkel rapport med antalet kunder per region och år.
.jpg
Rapporten visas i ett diagram över antalet kunder per region. Du kan se att kolumnen Year
är utesluten.
.jpg
Logisk fråga där årskolumnen inte används
Även om kolumnen År
inte visas så väljs den ändå ut i den logiska frågan.
.jpg
År
i analysen får följande effekt:
Fysisk fråga där årskolumnen inte används
Om du granskar den fysiska frågan kan du se var du får sämre prestanda.
.jpg
I det här exemplet ser du SELECT count distinct
från regeln för aggregering av antalet kunder. I vissa situationer påverkas även rapporter med summaaggregering. Den genererade frågan i det här exemplet använder en grupperingsuppsättning. På databasnivå kan den välja ett stort antal rader (miljontals) och sedan behöva gruppera efter dels År
och Region
, och dels Region
. Det här kan förbruka stora mängder databasresurser i onödan.
Ta bort kolumner som inte används
Ta bort kolumnen Year
och analysera hur de genererade logiska och fysiska frågorna påverkas.
Logisk fråga när årskolumnen tagits bort
Nu innehåller inte den logiska frågan kolumnen År
, och rapportaggregeringen har tagits bort vilket är ännu viktigare.
.jpg
Fysisk fråga när årskolumnen tagits bort
Den fysiska frågan är mycket enklare nu när den inte innehåller grupperingsuppsättningar och betydligt färre poster väljs.
.jpg
Genom att granska analysen i rapporter med sämre prestanda och helt enkelt börja med att ta bort redundanta kolumner kan du få betydligt bättre prestanda. Den genererade fysiska frågan är mindre komplex och färre poster returneras, så det krävs mindre bearbetning.