删除SQL Server中datetime时间部分的最佳方法

Question

从SQL Server中的datetime字段中删除时间部分时,哪种方法提供了最佳性能？

a) select DATEADD(dd, DATEDIFF(dd, 0, getdate()), 0)

要么

b) select cast(convert(char(11), getdate(), 113) as datetime)

第二种方法确实发送了更多的字节,但这可能没有转换速度那么重要.

两者似乎都非常快,但在处理数十万或更多行时速度可能会有所不同？

另外,是否有可能有更好的方法来摆脱SQL中日期时间的时间部分？

Answer 1

严格来说,方法a是资源最少的方法:

a) select DATEADD(dd, DATEDIFF(dd, 0, getdate()), 0)

经证明,相同的总持续时间相对于相同的总持续时间一百万行的CPU占用时间过多:在SQL Server中从日期+时间获取日期的最有效方式是什么？

我在其他地方也看到了类似的测试结果.

我更喜欢DATEADD/DATEDIFF,因为:

• varchar受语言/日期格式问题的影响
  示例:为什么我的CASE表达式不确定？
• float依赖于内部存储
• 它通过改变"0"基础延伸到一个月的第一天,明天等

编辑,2011年10月

对于SQL Server 2008+,您可以CAST到date.或者只是使用,date所以没有时间删除.

编辑,2012年1月

这是一个多么灵活的工作示例:需要通过sql server中的舍入时间或日期数字来计算

编辑,2012年5月

不要在WHERE子句等中使用它而不考虑:向列添加函数或CAST会使索引使用无效.请参见第2页:http://www.simple-talk.com/sql/t-sql-programming/ten-common-sql-programming-mistakes/

现在,这确实有一个后来SQL Server优化器版本的例子,管理CAST到目前为止正确,但通常这将是一个坏主意...

编辑,2018年9月,datetime2

DECLARE @datetime2value datetime2 = '02180912 11:45' --this is deliberately within datetime2, year 0218
DECLARE @datetime2epoch datetime2 = '19000101'

select DATEADD(dd, DATEDIFF(dd, @datetime2epoch, @datetime2value), @datetime2epoch)

Answer 2

在SQL Server 2008中,您可以使用:

CONVERT(DATE, getdate(), 101)

Answer 3

当然,这是一个旧线程,但要完成它.

从SQL 2008开始,您可以使用DATE数据类型,这样您就可以执行以下操作:

SELECT CONVERT(DATE,GETDATE())

Answer 4

SELECT CAST(FLOOR(CAST(getdate() AS FLOAT)) AS DATETIME)

Answer 5

在SQL Server 2008中,存在DATE日期类型(也是TIME数据类型).

CAST(GetDate() as DATE)

要么

declare @Dt as DATE = GetDate()

Answer 6

这是另一个答案,来自另一个重复的问题:

SELECT CAST(CAST(getutcdate() - 0.50000004 AS int) AS datetime) 

此幻数方法的执行速度略快于DATEADD方法.(看起来像~10%)

几百万条记录的CPU时间:

DATEADD   MAGIC FLOAT
500       453
453       360
375       375
406       360

但请注意,这些数字可能无关紧要,因为它们已经非常快.除非我有100,000或更多的记录集,否则我甚至无法将CPU时间读取到零以上.

考虑到DateAdd用于此目的并且更强大的事实,我会说使用DateAdd.

Answer 7

SELECT CAST(CAST(GETDATE() AS DATE) AS DATETIME)

Answer 8

我很喜欢：

[date] = CONVERT(VARCHAR(10), GETDATE(), 120)

该120格式的代码将迫使日到ISO 8601标准：

'YYYY-MM-DD' or '2017-01-09'

在dplyr（R）和pandas（Python）中超级好用！