GaussDB 数据库架构师修炼(十八) SQL引擎-统计信息
1 什么是GaussDB统计信息
统计信息描述了用户表中数据的分布特征为行数估算，代价估算提供数据基础。
2 表统计信息分级
1）表级别统计信息
reltuples总元组数：描述表对应的元组数
relpages总页面数：描述表对应的磁盘页数
relallvisible可见页的数量：被标识为全可见 的页数
- 2）列级别统计信息
Distinct值：用于描述字段里唯一的非NULL数据值的数目，一般用于估算集合分组之后的大小，join结果集大小
NULLFrac：用于描述当前列中 NULL值在总数中的占比
MCV（ most common value）：描述出现频率大于一定百分比的值的集合，表征高频值
Histogram直方图：描述除了NULL值， MCV 值以外的值的分布情况，GaussDB使用的是等高直方图，一般用于估算选择率
3）扩展统计信息
Multi-Column Statistics 多列统计信息
View-Statistics 视图统计信息
举证：
假设有t1.c1数据（表A ），有统计信息如（表 B，表C） 表B：表级别统计信息
表B：表级别统计信息
| 类型 | 数值 | 说明 |
| reltuples行数 | 150000 | 当前表中共计15W条元组 |
| relpages页面数 | 200 | 总共有200个数据页面 |
表C：列级别统计信息
| 类型 | 数值 | 说明 |
| NULL值比例 | 0 | 示例中没有NULL值，因此NULL值的比例为0 |
| DISTINCT唯一值数量 | 11 | 示例中的0有重复值，去掉重复之后还有11个数字， 因此DISTINCT值的数量为11 |
| MCV高频值 | [0],[0.33] | 示例中出现频率最高的值是0，出现了5次，因此MCV值是0，MCV由两个等长数组表示。其一是实际数值，其二是对应的频率 |
| 直方图 | [1, 5, 100] | 直方图首先排除MCV值，所以这里没有0。每个区间包含的元素个数相同， 1至5（含） 之间共有5个数， 5 （不含）至100之间共5个数。 |
3 多列统计信息
当谓词条件或者连接条件选取多个列进行过滤或者连接时，多列之间相关性较大，则不能使用独 立性假设去计算选择率。这里就需要收集多列统计信息。
4 行数估算
有了丰富的统计信息，优化器能够较为准确估算出表的基数和join中间结果集的大小，为代价估算做准备，从而选择更优的执行路径。
估算逻辑
在实际做基数估计时，会有一些基本假设：
除了高频值mcv值外，其余值为均匀分布
数据遵从主外键约束， join尽可能match
单表行数：
NULL值比例， MCV高频值，直方图
join行数：
表行数， distinct值
5 行数估算-谓词选择率
等值谓词选择率估算方式如下：
对于接收到的常量等值谓词查询，分为4种情况计算选择率：
1) 常量为NULL，直接使用 NULL值比例
2)常量落在MCV中，直接使用对应值频率
3) 常量落在直方图中，需要通过公式进行计算：
记NULL值比例为pn，
记MCV频率总和为pm ,
记distinct值为Nd，
直方图中每两个数之间为一个桶，桶的Ns则平均每个桶distinct值
，
则有选择率：
若桶的左右边界相等，记Neq表示和左右边界等值的桶的数量，则有
4）非以上情况则认为选择率为1/总数：
6 谓词选择率计算举证
select * from pg_stats where tablename='t1' and attname=Ia’;
1)Null_frac为0，该表没有NULL值
2)mcv选择率：可以看到该表有一个mcv值为150，频率为0.935033，则sela = 150 = 0.93503
3)不等边界桶：参考公式有
4)低频值：首先获取表总行数
则有
7 行数估算-连接估算
两表join的行数估计主要通过基表的行数和 两表的distinct值来实现。
记n1和n2是两张表的行数， d1和d2是两张表 的join列的distinct值， RPV1和RPV2是两列 中，每个值有多少行，则有join结果行数：
举证：
有两张表的统计信息如下：
表1：总行数
表1：n_distinct值
表2：总行数
表2：n_distinct值
则有d1 = 0.2 * 10000 = 2000， d2 = 0.25 * 12000 = 3000，估算结果集为：
执行计划中行数：
8 自动收集统计信息
GaussDB 提供自动收集统计信息的功能，通过autovacuum相关参数控制，如果表中数据量发生较大变化达到阈值时，会触发自动收集统 计信息。
- 对于空表而言，当表中插入数据的行数大于50时，会触发表自动进行analyze 。
- 对于表中已有数据的情况，触发自动收集的阈值设定公式计算如下：autovacuum_analyze_threshold+autovacuum_analyze_scale_factor * reltuples
其中reltuples是表的总行数；
autovacuum_analyze_threshold是触发自动收集的最小阈值，默认值为50；autovacuum_analyze_scale_factor是触发自动收集时表的规模因子，默认为10%