在一个非常大的表中有效地为每个组选择最新行？

Question

我有（例如）一张桌子Users (user_id, status, timestamp, ...)。
我还有另一张桌子SpecialUsers (user_id, ...)。

我需要显示每个特殊用户的最新状态。

问题是该Users表非常非常大（超过 500亿行）。例如，这个问题中的大多数解决方案只是挂起或出现“磁盘已满”错误。

SpecialUsers表要小得多 - “仅”600K 行。

SELECT DISTINCT ON()不支持。使用 Amazon RedShift。

编辑：每个请求查看失败的尝试 - 导致磁盘已满错误的其中之一如下所示：

with users_with_status (user_id, status, timestamp)
as (
        select su.user_id, u.instance_type, u.timestamp
        from specialusers su
        join users u on su.user_id = u.user_id
)
select l.instance_id, l.instance_type
from users_with_status l
left outer join users_with_status r
     on l.user_id = r.user_id and l.timestamp < r.timestamp
where r.timestamp is null;

我知道我正在将错误表与其自身连接，但希望与小表的第一个连接会减少已处理的行数。

不管怎样，窗口函数似乎是这里的解决方案。

Answer 1

也许join带有窗口函数的可以工作：

select su.*
from (select s.user_id, u.status, u.timestamp,
             max(u.timestamp) over (partition by s.user_id) as max_timestamp
      from specialusers s join
           users u
           on s.user_id = u.user_id
     ) su
where timestamp = max_timestamp;

这是专门使用的max()，而不是基于row_number()它可能使用稍微更少的资源的猜测。