研究《DAX查询计划白皮书》中的案例(五)优化方案3-优快云博客

这是本系列的最后一个优化方案，这一篇的优化方案3是所有方案中最优秀的，它解决了优化方案2中产生的[RowNumber] 问题，使整个底层计算过程中全部步骤都没有出现数据量超过万行的情况，使性能获得了极大的提升！

研究《DAX查询计划白皮书》中的案例(一)初始方案
 研究《DAX查询计划白皮书》中的案例(二)优化方案1
研究《DAX查询计划白皮书》中的案例(三)优化方案(番外)
研究《DAX查询计划白皮书》中的案例(四)优化方案2
研究《DAX查询计划白皮书》中的案例(四)优化方案3

优化方案3

DAX 查询

// 优化方案3（修正）
EVALUATE
ADDCOLUMNS (
    VALUES ( 'Calendar'[Date] ),
    "Open Orders",
        SUMX (
            FILTER (
                GENERATE (
                    SUMMARIZE (
                        Sales,
                        Sales[OrderDate],
                        Sales[ShipDate],
                        "Rows", COUNTROWS ( Sales )
                    ),
                    DATESBETWEEN ( 
                        'Calendar'[Date], 
                        Sales[OrderDate] + 1,  // 修正此处，原版是 Sales[OpenDate]
                        Sales[ShipDate] - 1 )
                ),
                'Calendar'[Date] = EARLIER ( 'Calendar'[Date] )
            ),
            [Rows]
        )
)

运行效率

以连续5次冷启动的结果进行统计，将各方案的情况列写在表格里，数字下方括号里记录的是相对前一个方案的性能变化情况。

优化方案3的表现非常亮眼，计算效率超过了之前全部的方案，总耗时已经接近个位数！

环境	参数	初始方案	优化方案1	优化方案2	优化方案(番外)	优化方案3
环境1	平均总耗时（毫秒）	4389.4	290.4 (↑ 93.38%)	79.6 (↑ 72.59%)	56.8 (↑ 28.64%)
	SE耗时（毫秒）	14.4	4.8	13.6	4.8
	SE占比	0.328%	1.653% (↑ 403.83%)	17.09% (↑ 933.67%)	8.45% (↓50.54%)
环境2	平均总耗时（毫秒）	4017.0	300.60 (↑ 92.52%)	76.4 (↑ 74.58%)	53.8 (↑ 29.58%)	12.8 (↑ 83.25%)
	SE耗时（毫秒）	17.2	5.8 (↑ 66.28%)	18.2	5	3.4
	SE占比	0.428%	1.929% (↑ 350.62%)	23.82% (↑ 1134.64%)	9.29% (↓ 60.99%)	26.56% (↑ 11.50%)

白皮书中没有对此方案进行任何分析，留给读者实践，下面是我对该方案进行分析的详细记录。

存储引擎部分

依然首先查看存储引擎执行了哪些 xmSQL 查询

左侧窗口记录 SE Cache 为 1，表明有一个 xmSQL 被复用。右侧窗口记录了 4 行 Scan，其中 Line2 和 Line 4 是完全相同的，Line4 复用了 Line2 。

存储引擎一共执行 3 个 xmSQL：

1、VQ1

Line2 和 Line4，从 Calendar 表中获取 [Date] 的不重复值，包含 1 列，共 1081 行

‘Calendar’[Date]

// xmSQL VQ1
SELECT
    'Calendar'[Date]
FROM 'Calendar';

2、VQ2

Line6，对 Sales 表以 Sales[OrderDate]、Sales[ShipDate] 分组并计算行数，包含 2 个数据列和 1 个值列，共 1081 行

Sales[OrderDate], Sales[ShipDate], COUNT

// xmSQL VQ2
SELECT
    'Sales'[OrderDate],
    'Sales'[ShipDate],
    COUNT ( )
FROM 'Sales';

部分结果类似

3、VQ3

Line8，对 Sales 表以 Sales[OrderDate]、Sales[ShipDate] 分组，即获取 Sales 表中{Sales[OrderDate], Sales[ShipDate]} 的不重复值对，共 1081 行

Sales[OrderDate], Sales[ShipDate]

// xmSQL VQ3
SELECT
    'Sales'[OrderDate],
    'Sales'[ShipDate]
FROM 'Sales';

部分结果为：

存储引擎部分 3 个 xmSQL 查询都没有出现 [RowNumber]。

公式引擎部分

逻辑查询计划

AddColumns: RelLogOp DependOnCols()() 0-1 RequiredCols(0, 1)('Calendar'[Date], ''[Open Orders])
├── Scan_Vertipaq: RelLogOp DependOnCols()() 0-0 RequiredCols(0)('Calendar'[Date])
└── SumX: ScaLogOp DependOnCols(0)('Calendar'[Date]) Integer DominantValue=BLANK
    ├── Filter: RelLogOp DependOnCols(0)('Calendar'[Date]) 1-4 RequiredCols(0, 1, 2, 3, 4)('Calendar'[Date], 'Sales'[OrderDate], 'Sales'[ShipDate], ''[Rows], 'Calendar'[Date])
    │   ├── CrossApply: RelLogOp DependOnCols()() 1-4 RequiredCols(1, 2, 3, 4)('Sales'[OrderDate], 'Sales'[ShipDate], ''[Rows], 'Calendar'[Date])
    │   │   ├── AddColumns: RelLogOp DependOnCols()() 1-3 RequiredCols(1, 2, 3)('Sales'[OrderDate], 'Sales'[ShipDate], ''[Rows])
    │   │   │   ├── GroupBy_Vertipaq: RelLogOp DependOnCols()() 1-15 RequiredCols(1, 2)('Sales'[OrderDate], 'Sales'