mysql查找ipg_3 mysql查询截取分析

本文详细介绍了MySQL查询优化的技巧,包括小表驱动大表、ORDER BY子句的索引优化以及GROUP BY操作的注意事项。同时,讲解了MySQL的慢查询日志功能,如何开启和设置阈值,以及分析慢查询的方法。建议增大sort_buffer_size和max_length_for_sort_data参数以提升性能。

3.1 查询优化

AAffA0nNPuCLAAAAAElFTkSuQmCC

clip_image155.jpg

3.1.1 永远小表驱动大表 类似嵌套循环Nested Loop

Case

AAffA0nNPuCLAAAAAElFTkSuQmCC

clip_image157.jpg

AAffA0nNPuCLAAAAAElFTkSuQmCC

clip_image159.jpg

AAffA0nNPuCLAAAAAElFTkSuQmCC

clip_image161.jpg

3.1.2 order by关键字优化

ORDER BY子句,尽量使用Index方式排序,避免使用FileSort方式排序

建表SQL

Case

1

AAffA0nNPuCLAAAAAElFTkSuQmCC

clip_image163.jpg

2

AAffA0nNPuCLAAAAAElFTkSuQmCC

clip_image165.jpg

MySQL支持二种方式的排序,FileSort和Index,Index效率高。 它指MySQL扫描索引本身完成排序。FileSort方式效率较低。

ORDER BY满足两情况,会使用Index方式排序

ORDER BY语句使用索引最左前列

使用where子句与OrderBy子句条件列组合满足索引最左前列

尽可能在索引列上完成排序操作,遵照索引建的最佳左前缀

如果不在索引列上,filesort有两种算法: mysql就要启动双路排序和单路排序

双路排序

MySQL4.1之前是使用双路排序,字面意思是两次扫描磁盘,最终得到数据。 读取行指针和orderby列,对他们进行排序,然后扫描已经排序好的列表,按照列表中的值重新从列表中读取对应的数据传输

从磁盘取排序字段,在buffer进行排序,再从磁盘取其他字段。

取一批数据,要对磁盘进行两次扫描,众所周知,I\O是很耗时的,所以在mysql4.1之后,出现了第二张改进的算法,就是单路排序。

单路排序

从磁盘读取查询需要的所有列,按照orderby列在buffer对它们进行排序,然后扫描排序后的列表进行输出, 它的效率更快一些,避免了第二次读取数据,并且把随机IO变成顺序IO,但是它会使用更多的空间, 因为它把每一行都保存在内存中了。

结论及引申出的问题

由于单路是后出来的,总体而言好过双路

但是用单路有问题

AAffA0nNPuCLAAAAAElFTkSuQmCC

clip_image167.jpg

优化策略

增大sort_buffer_size参数的设置

增大max_length_for_sort_data参数的设置

why

AAffA0nNPuCLAAAAAElFTkSuQmCC

clip_image169.jpg

小总结

AAffA0nNPuCLAAAAAElFTkSuQmCC

clip_image171.jpg

3.1.3 GROUP BY关键字优化

groupby实质是先排序后进行分组,遵照索引建的最佳左前缀

当无法使用索引列,增大max_length_for_sort_data参数的设置+增大sort_buffer_size参数的设置

where高于having,能写在where限定的条件就不要去having限定了。

3.2 慢查询日志

3.2.1 是什么

AAffA0nNPuCLAAAAAElFTkSuQmCC

clip_image173.jpg

3.2.2 怎么玩

说明

AAffA0nNPuCLAAAAAElFTkSuQmCC

clip_image175.jpg

查看是否开启及如何开启

默认

SHOW VARIABLES LIKE '%slow_query_log%'

AAffA0nNPuCLAAAAAElFTkSuQmCC

clip_image177.jpg

开始

set global slow_query_log = 1

AAffA0nNPuCLAAAAAElFTkSuQmCC

clip_image179.jpg

AAffA0nNPuCLAAAAAElFTkSuQmCC

clip_image181.jpg

那么开启慢查询日志后,什么样的SQL参会记录到慢查询里面?

AAffA0nNPuCLAAAAAElFTkSuQmCC

clip_image183.jpg

Case

查看当前多少秒算慢

SHOW VARIABLES LIKE 'long_query_time%';

设置慢的阙值时间

AAffA0nNPuCLAAAAAElFTkSuQmCC

clip_image185.jpg

set global long_query_time=3;

为什么设置后看不出变化?

需要重新连接或者新开一个回话才能看到修改值。 SHOW VARIABLES LIKE 'long_query_time%';

show global variables like 'long_query_time';

记录慢SQL并后续分析

AAffA0nNPuCLAAAAAElFTkSuQmCC

clip_image187.jpg

查询当前系统中有多少条慢查询记录

AAffA0nNPuCLAAAAAElFTkSuQmCC

clip_image189.jpg

配置版

AAffA0nNPuCLAAAAAElFTkSuQmCC

clip_image191.jpg

3.2.3 日志分析工具mysqldumpshow

AAffA0nNPuCLAAAAAElFTkSuQmCC

clip_image193.jpg

查看mysqldumpshow的帮助信息

AAffA0nNPuCLAAAAAElFTkSuQmCC

clip_image195.jpg

s:是表示按何种方式排序

c:访问次数

l:锁定时间

r:返回记录

t:查询时间

al:平均锁定时间

ar:平均返回记录数

at:平均查询时间

t:即为返回前面多少条的数据

g:后边搭配一个正则匹配模式,大小写不敏感的

工作常用参考

AAffA0nNPuCLAAAAAElFTkSuQmCC

clip_image197.jpg

3.3 批量数据脚本

作者:简简算算

链接:https://www.jianshu.com/p/154325bff7ad

【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据](Python代码实现)内容概要:本文介绍了基于CNN-LSTM神经网络模型的轴承故障分类方法,利用PyTorch框架实现,采用西储大学(Case Western Reserve University)公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络(CNN)强大的特征提取能力和长短期记忆网络(LSTM)对时序数据的建模优势,实现对轴承不同故障类型和严重程度的高精度分类。文中详细阐述了数据预处理、模型构建、训练流程及结果分析过程,并提供了完整的Python代码实现,属于典型的工业设备故障诊断领域深度学习应用研究。; 适合人群:具备Python编程基础和深度学习基础知识的高校学生、科研人员及工业界从事设备状态监测与故障诊断的工程师,尤其适合正在开展相关课题研究或希望复现EI级别论文成果的研究者。; 使用场景及目标:① 学习如何使用PyTorch搭建CNN-LSTM混合模型进行时间序列分类;② 掌握轴承振动信号的预处理与特征学习方法;③ 复现并改进基于公开数据集的故障诊断模型,用于学术论文撰写或实际工业场景验证; 阅读建议:建议读者结合提供的代码逐行理解模型实现细节,重点关注数据加载、滑动窗口处理、网络结构设计及训练策略部分,鼓励在原有基础上尝试不同的网络结构或优化算法以提升分类性能。
评论
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