GROUP BY 在 Postgres 中的性能

Question

我有一个大表（包含大量列的 2M+ 条记录）。我打算进行 GROUP BY 来进行重复数据删除。我想知道以下两种策略哪种效果更好？

1. GROUP BY 多列(col_a, col_b, col_c)
2. 添加一个新列 dedup_col，其中包含使用 col_a、col_b、col_c 形成的规范化字符串，然后对 dedup_col 执行 GROUP BY。dedup_col 将预先填充。

我知道我可以运行基准测试，但在开始实施之前我需要一些理论输入。

Answer 1

看在上帝的份上，请选择选项 1。不要求助于#2，除非您对#1 有严格的性能选项，并且您已经用尽了所有其他选项（包括索引）来解决它。

选项#2 是一个糟糕的主意。实际上，您正在通过实施穷人版本的索引来重新发明轮子......糟糕。

在发现性能问题之前，永远、永远、永远不要对数据进行反规范化（这就是您在选项 2 中所做的事情）以提高性能。即使那样，您可能也不应该这样做。

仅供参考：如果您正确设置了索引，200 万条记录并不是一个大数据库。