SQL 优化

本文分享了25条SQL查询优化的实用建议,包括避免全表扫描、合理使用索引、优化WHERE子句、减少资源消耗等,帮助提升数据库性能。

转载自 https://blog.youkuaiyun.com/u011936251/article/details/77340905

SQL优化是提高系统性能最直接的方法

1.对查询进行优化,应尽量避免全表扫描,首先应考虑在 where 及 order by 
  涉及的列上建立索引。
2.应尽量避免在 where 子句中对字段进行 null 值判断,否则将导致引擎放弃使用索引
而进行全表扫描,如:	
select id from t where num is null	
可以在num上设置默认值0,确保表中num列没有null值,然后这样查询:	
select id from t where num=0
3.应尽量避免在 where 子句中使用!=或<>操作符,
否则将引擎放弃使用索引而进行全表扫描。	
4.应尽量避免在 where 子句中使用 or 来连接条件,
否则将导致引擎放弃使用索引而进行全表扫描,如:	
select id from t where num=10 or num=20	
可以这样查询:	
select id from t where num=10	
union all	
select id from t where num=20
5.in 和 not in 也要慎用,否则会导致全表扫描,如:	
select id from t where num in(1,2,3)	
对于连续的数值,能用 between 就不要用 in 了:	
select id from t where num between 1 and 3
6.应尽量避免在 where 子句中对字段进行表达式操作,这将导致引擎放弃使用索引而进行
全表扫描。如:	
select id from t where num/2=100	
应改为:	
select id from t where num=100/2	
8.不要在 where 子句中的“=”左边进行函数、算术运算或其他表达式运算,
否则系统将可能无法正确使用索引
9.在使用索引字段作为条件时,如果该索引是复合索引,那么必须使用到该索引中
的第一个字段作为条件时才能保证系统使用该索引,	
否则该索引将不会被使用,并且应尽可能的让字段顺序与索引顺序相一致。	
10.不要写一些没有意义的查询,如需要生成一个空表结构:	
select col1,col2 into #t from t where 1=0	
这类代码不会返回任何结果集,但是会消耗系统资源的,应改成这样:	
create table #t(...)	
11.很多时候用 exists 代替 in 是一个好的选择:	
select num from a where num in(select num from b)	
用下面的语句替换:	
select num from a where exists(select 1 from b where num=a.num)	
12.并不是所有索引对查询都有效,SQL是根据表中数据来进行查询优化的,
当索引列有大量数据重复时,SQL查询可能不会去利用索引,	
如一表中有字段sex,male、female几乎各一半,那么即使在sex上建了索引
也对查询效率起不了作用。	
13.索引并不是越多越好,索引固然可以提高相应的 select 的效率,但同时也降低了
 insert 及 update 的效率,	因为 insert 或 update 时有可能会重建索引,
 所以怎样建索引需要慎重考虑,视具体情况而定。一个表的索引数最好不要超过6个,
 若太多则应考虑一些不常使用到的列上建的索引是否有必要。	
14.尽量使用数字型字段,若只含数值信息的字段尽量不要设计为字符型,
这会降低查询和连接的性能,并会增加存储开销。	这是因为引擎在处理查询
和连接时会逐个比较字符串中每一个字符,而对于数字型而言只需要比较一次就够了。
15.尽可能的使用 varchar 代替 char ,因为首先变长字段存储空间小,可以节省
存储空间,	其次对于查询来说,在一个相对较小的字段内搜索效率显然要高些。	
16.任何地方都不要使用 select * from t ,用具体的字段列表代替“*”,
不要返回用不到的任何字段。
17.避免频繁创建和删除临时表,以减少系统表资源的消耗。
18.临时表并不是不可使用,适当地使用它们可以使某些例程更有效,例如,
当需要重复引用大型表或常用表中的某个数据集时。但是,
对于一次性事件,最好使用导出表。	
19.在新建临时表时,如果一次性插入数据量很大,那么可以使用 select into
 代替 create table,避免造成大量 log ,以提高速度;如果数据量不大,
 为了缓和系统表的资源,应先create table,然后insert。
20.如果使用到了临时表,在存储过程的最后务必将所有的临时表显式删除,
先 truncate table ,然后 drop table ,这样可以避免系统表的较长时间锁定。
21.尽量避免使用游标,因为游标的效率较差,如果游标操作的数据超过1万行,
那么就应该考虑改写。
22.使用基于游标的方法或临时表方法之前,应先寻找基于集的解决方案来解决问题,
基于集的方法通常更有效。
23.与临时表一样,游标并不是不可使用。对小型数据集使用 FAST_FORWARD 游标
通常要优于其他逐行处理方法,尤其是在必须引用几个表才能获得所需的数据时。
24.尽量避免大事务操作,提高系统并发能力。
25.尽量避免向客户端返回大数据量,若数据量过大,应该考虑相应需求是否合理。

整理不易,你的赞是对博主最大的的支持!

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值