Mittwoch, 10. November 2004 13h00, Mozartsaal Analytische Funktionen – erfolgreich eingesetzt Dani Schnider Trivadis AG, Glattbrugg, Schweiz Schlüsselworte: Analytische Funktionen, SQL, Performance Optimierung, Data Warehousing Zusammenfassung Analytische Funktionen wurden mit Oracle8i Release 2 eingeführt und in Oracle 9i erweitert. Obwohl ihre zahlreichen und mächtigen Möglichkeiten somit schon seit einigen Jahren zur Verfügung stehen, werden analytische Funktionen heute leider immer noch selten eingesetzt. Hier soll gezeigt werden, wie verschiedene Fragestellungen mit Hilfe dieser Oracle-Funktionalität elegant und effizient formuliert werden können und wo die Vorteile – aber auch Grenzen – gegenüber herkömmlichen SQL-Abfragen liegen. Einleitung Ein einfaches Beispiel mit der guten alten EMP-Tabelle zu Beginn: Für jeden Mitarbeiter soll der Name, sein Gehalt sowie die Gehaltsumme seiner Abteilung angezeigt werden: DEPTNO ENAME SAL SUM_SAL ----------- ---------- ----------- ---------10 CLARK 2450 8750 10 KING 5000 8750 10 MILLER 1300 8750 20 SMITH 800 10875 20 JONES 2975 10875 20 SCOTT 3000 10875 20 ADAMS 1100 10875 20 FORD 3000 10875 30 ALLEN 1600 9400 30 WARD 1250 9400 30 MARTIN 1250 9400 30 BLAKE 2850 9400 30 TURNER 1500 9400 30 JAMES 950 9400 Database 17. Deutsche ORACLE-Anwenderkonferenz KONFERENZ Diese Abfrage lässt sich nicht mit einem einfachen SELECT-Befehl formulieren, da Daten auf unterschiedlichen Verdichtungsstufen angezeigt werden. Während sich die Spalten ENAME und SAL auf einen einzelnen Mitarbeiter beziehen, ist die Spalte SUM_SAL eine Aggregation (= Verdichtung) pro Abteilung. Eine mögliche Lösung ist die Verwendung einer Inline-View: SELECT e1.deptno, e1.ename, e1.sal, e2.sum_sal FROM emp e1, (SELECT deptno, SUM(sal) sum_sal FROM emp GROUP BY deptno) e2 WHERE e1.deptno = e2.deptno ORDER BY e1.deptno Solche Lösungen funktionieren bestens und werden auch oft angewendet. Der Nachteil besteht hier darin, dass die Tabelle EMP zweimal gelesen werden muss. Klar, bei 14 Datensätzen ist dies kein Problem, aber bei grösseren Datenmengen können solche Abfragen zu Performanceverlusten führen. Das gleiche Ergebnis lässt sich einfach und elegant mit einer analytischen Funktion ermitteln. Dabei muss die Tabelle nur einmal gelesen werden, da die Berechnung von analytischen Funktionen im gleichen Durchlauf – sozusagen „nebenbei“ – erfolgt. SELECT , , , FROM deptno ename sal SUM(sal) OVER (PARTITION BY deptno) sum_sal emp Grundprinzip der analytischen Funktionen Jede analytische Funktion bezieht sich auf Teilmengen der Daten, auf sogenannte Partitionen (die nichts mit partitionierten Tabellen zu tun haben). Anhand der Partitionen wird definiert, wie die Resultate der analytischen Funktion gruppiert werden. Die Aufteilung der Partitionen wird durch die Klausel PARTITION BY angegeben. Wird sie weggelassen, bezieht sich die analytische Funktion auf die gesamte Resultatmenge. Durch die Klausel ORDER BY kann festgelegt werden, wie die Daten innerhalb der Partition sortiert werden. Für viele der analytischen Funktionen ist die Angabe der Reihenfolge zwingend, da sie für die Funktionsberechnung wesentlich ist. Die Reihenfolge der Ausgabe der Resultatmenge kann jedoch von der Reihenfolge der Berechnung abweichen und wird – wie üblich in SQL – mit einem ORDER BY am Ende des SELECT-Befehls definiert. Falls für eine analytische Funktion ein ORDER BY spezifiziert wurde, kann die Menge der für die Berechnung relevanten Datensätze durch die Definition eines Windows zusätzlich eingeschränkt werden. Normalerweise umfasst das Window die Datensätze vom Beginn der Partition bis zum aktuellen Datensatz, es kann aber auch explizit durch ROWS (physische Grenze) oder RANGE (logische Grenze) eingeschränkt werden. Kompliziert? Anhand eines weiteren einfachen Beispiels soll das Grundprinzip der analytischen Funktionen illustriert werden: Für jeden Mitarbeiter soll berechnet werden, wie viele Mitarbeiter der gleichen Abteilung ein Gehalt im Bereich von +/– 1000 Dollar des aktuellen Datensatzes haben. Die entsprechende SQL-Abfrage mit Verwendung der analytischen Funktion COUNT sieht folgendermassen aus: SELECT , , , , deptno ename hiredate sal COUNT(*) OVER (PARTITION BY deptno ORDER BY sal RANGE BETWEEN 1000 PRECEDING AND 1000 FOLLOWING) count_sal FROM emp Für jeden Datensatz der Resultatmenge wird nun die Spalte COUNT_SAL berechnet, ausgehend von der aktuellen Partition und dem aktuellen Window. Zu beachten ist dabei, dass die Partition und das Window „wandern“, d.h. für den jeweils aktuellen Datensatz (Current Row) neu festgelegt werden. Abb. 1: Partition, Window und Current Rows der analytischen Funktion Database 17. Deutsche ORACLE-Anwenderkonferenz KONFERENZ Anwendungsbeispiel: Kumulierte Umsatzzahlen Eine typische Anwendung von analytischen Funktionen sind kumulierte Summierungen („Year-to-date“ Abfragen), wie sie häufig in Data Warehouses vorkommen: Neben dem Umsatz pro Monat soll jeweils der gesamte Jahresumsatz bis zum entsprechenden Monat angezeigt werden. Das nachfolgende Beispiel zeigt, wie diese Problemstellung mittels einer analytischen Funktion gelöst werden kann. Dazu gruppieren wir die Umsatzzahlen nach Kalendermonat. Alle Monatsumsätze eines Jahres werden zu einer Partition zusammengefasst (PARTITION BY calendar_year) und nochmals summiert. Die Datensätze werden dazu nach Monat aufsteigend sortiert (ORDER BY calendar_month_ desc). Dabei nützen wir die Tatsache aus, dass das für die Summierung verwendete Window jeweils alle Datensätze vom Anfang der Partition (Januar des jeweiligen Jahres) bis zur Current Row (aktueller Monat) enthält. SELECT , , , t.calendar_year year t.calendar_month_desc month SUM(s.amount_sold)/1000000 millions SUM(SUM(s.amount_sold)/1000000) OVER (PARTITION BY t.calendar_year ORDER BY t.calendar_month_desc) millions_ytd FROM sales s, times t WHERE s.time_id = t.time_id GROUP BY t.calendar_year, t.calendar_month_desc Als Resultat wird jeweils der Monatsumsatz (Spalte MILLIONS) und der aufsummierte (=kumulierte) Umsatz innerhalb des Jahres (MILLIONS_YTD) ausgegeben: YEAR ----------1998 1998 1998 1998 1998 1998 1998 1998 1998 1998 1998 1998 1999 1999 ... MONTH MILLIONS MILLIONS_YTD -------- -------- -----------1998-01 2.28 2.28 1998-02 2.37 4.65 1998-03 1.83 6.48 1998-04 1.98 8.46 1998-05 1.75 10.20 1998-06 1.87 12.07 1998-07 1.93 14.01 1998-08 1.97 15.98 1998-09 2.17 18.15 1998-10 2.24 20.38 1998-11 1.96 22.34 1998-12 1.74 24.08 1999-01 2.08 2.08 1999-02 2.36 4.44 Das Beispiel basiert auf dem „Sales History” Beispielschema von Oracle 10g mit rund einer Million Einträgen in der SALES-Tabelle. Hier sind nun bereits deutliche Performanceunterschiede messbar. Der Execution Plan des ausgeführten SELECT-Befehls zeigt, dass die Tabelle SALES nur einmal gelesen und mit TIMES gejoined werden musste. Die Berechnung der analytischen Funktion wird am Schluss (nach dem GROUP BY) ausgeführt und ist im Execution Plan als WINDOW BUFFER dargestellt. call count ----- -------Parse 1 Execute 1 Fetch 5 ----- -------total 7 Rows ---------48 48 918843 1826 918843 918843 cpu elapsed disk query current ----- ----------- ----- --------- --------0.00 0.00 0 0 0 0.00 0.01 0 0 0 1.81 1.80 0 1773 0 ----- ----------- ----- --------- --------1.81 1.82 0 1773 0 rows ---0 0 48 ---48 Row Source Operation --------------------------------------------------WINDOW BUFFER (cr=1773 pr=0 pw=0 time=1803746 us) SORT GROUP BY (cr=1773 pr=0 pw=0 time=1803741 us) HASH JOIN (cr=1773 pr=0 pw=0 time=11948131 us) TABLE ACCESS FULL TIMES (cr=56 pr=0 pw=0 time=3896 us) PARTITION RANGE ALL PARTITION: 1 28 (cr=1717 pr=0 pw=0 time=5513218 us) TABLE ACCESS FULL SALES PARTITION: 1 28 (cr=1717 pr=0 pw=0 time=1838601 us) Im Vergleich dazu dauert die entsprechende Abfrage ohne Verwendung von analytischen Funktionen rund 10 mal länger und führt zu einem viel aufwändigeren Execution Plan, da mehrfach auf die Tabelle SALES zugegriffen werden muss: Database 17. Deutsche ORACLE-Anwenderkonferenz KONFERENZ SELECT , , , t.calendar_year year t.calendar_month_desc month SUM(s.amount_sold)/1000000 millions (SELECT SUM(s1.amount_sold)/1000000 FROM sales s1, times t1 WHERE s1.time_id = t1.time_id AND t1.calendar_year = t.calendar_year AND t1.calendar_month_desc <= t.calendar_month_desc) millions_ytd FROM sales s, times t WHERE s.time_id = t.time_id GROUP BY t.calendar_year, t.calendar_month_desc ORDER BY t.calendar_year, t.calendar_month_desc call count ----- -------Parse 1 Execute 1 Fetch 5 ----- -------total 7 cpu elapsed disk query current ----- ----------- ----- --------- --------0.01 0.00 0 0 0 0.00 0.00 0 0 0 18.14 18.15 0 300193 0 ----- ----------- ----- --------- --------18.15 18.16 0 300193 0 rows ---0 0 48 ---48 Rows Row Source Operation ------- --------------------------------------------------48 SORT AGGREGATE (cr=298420 pr=0 pw=0 time=16352528 us) 5911266 TABLE ACCESS BY LOCAL INDEX ROWID SALES (cr=298420 pr=0 pw=0 time=82781550 us) 5920777 NESTED LOOPS (cr=21875 pr=0 pw=0 time=17885399 us) 9463 TABLE ACCESS FULL TIMES (cr=2688 pr=0 pw=0 time=57388 us) 5911266 PARTITION RANGE ITERATOR PARTITION: KEY KEY (cr=19187 pr=0 pw=0 time=30093878 us) 5911266 BITMAP CONVERSION TO ROWIDS (cr=19187 pr=0 pw=0 time=12109898 us) 9454 BITMAP INDEX SINGLE VALUE SALES_TIME_BIX PARTITION: KEY KEY (cr=19187 pr=0 …) 48 SORT GROUP BY (cr=1773 pr=0 pw=0 time=1800321 us) 918843 HASH JOIN (cr=1773 pr=0 pw=0 time=12866998 us) 1826 TABLE ACCESS FULL TIMES (cr=56 pr=0 pw=0 time=3736 us) 918843 PARTITION RANGE ALL PARTITION: 1 28 (cr=1717 pr=0 pw=0 time=5513208 us) 918843 TABLE ACCESS FULL SALES PARTITION: 1 28 (cr=1717 pr=0 pw=0 time=1838592 us) Ranking-Funktionen Als analytische Funktionen können nicht nur die klassischen Gruppenfunktionen wie SUM, COUNT, MIN, MAX, AVG etc. verwendet werden, sondern es gibt auch weitere Funktionen, die speziell für die Verwendungs als analytische Funktionen konzipiert wurden. Dazu gehört die Familie der Ranking-Funktionen, mit denen beispielsweise Ranglisten oder Top-n-Abfragen formuliert werden können. Die Funktionen RANK und DENSE_RANK berechnen die Ranglisten-Nummer für jede Zeile der Ausgabe, basierend auf der Sortierung innerhalb der Partition. Der Unterschied zwischen den beiden Funktionen besteht darin, wie nach mehreren gleichplatzierten Datensätzen die Nummerierung fortgesetzt wird: SELECT , , FROM WHERE deptno, ename, sal RANK() OVER (ORDER BY sal DESC) rank DENSE_RANK() OVER (ORDER BY sal DESC) dense_rank emp deptno IN (10, 20) DEPTNO ----------10 20 20 20 10 10 20 20 ENAME SAL RANK DENSE_RANK ---------- ----------- ----------- ----------KING 5000 1 1 SCOTT 3000 2 2 FORD 3000 2 2 JONES 2975 4 3 CLARK 2450 5 4 MILLER 1300 6 5 ADAMS 1100 7 6 SMITH 800 8 7 Solche Ranglisten lassen sich über die ganze Datenmenge oder pro Partition berechnen, und das in einer einzigen Abfrage. Im nachfolgenden Beispiel wird anhand der Verkaufszahlen pro Produkt eine Rangliste über alle Produkte gebildet, und gleichzeitig eine Rangliste innerhalb jeder Produktkategorie. Unabhängig davon, wie viele verschiedene analytische Funktionen berechnet werden, die Basistabelle – in diesem Fall die Tabelle PROD_SALES muss immer nur einmal gelesen werden. Database 17. Deutsche ORACLE-Anwenderkonferenz KONFERENZ SELECT , , , , prod_category prod_name amount RANK() OVER (ORDER BY amount DESC) rank_total RANK() OVER (PARTITION BY prod_category ORDER BY amount DESC) rank_category FROM prod_sales ORDER BY prod_category Bei der ersten RANK-Funktion wurde kein PARTITION BY angegeben. Somit bezieht sich die Rangliste auf alle Daten. Im zweiten Fall wird durch Angabe „PARTITION BY prod_category“ erreicht, dass für jede Produktkategorie eine separate Rangliste erstellt wird. Dieses Beispiel erweitern wir nun folgendermassen: Wir möchten für jede Produktkategorie das erfolgreichste Produkt mit seinem Umsatz anzeigen. Dazu kann wiederum die Funktion RANK verwendet werden. Der naheliegenste Ansatz wäre, die analytische Funktion in der WHERE-Klausel zu verwenden: WHERE RANK() OVER (PARTITION BY … ORDER BY …) = 1 Hier stossen wir allerdings auf eine Einschränkung: Analytische Funktionen können innerhalb eines SQL-Befehls im SELECT- und im ORDER BY-Teil verwendet werden, nicht jedoch in der WHERE- oder HAVING-Bedingung. Der Versuch führt zu einer Fehlermeldung: ORA-30483: window functions are not allowed here Die Einschränkung lässt sich aber einfach umgehen, indem die analytischen Funktionen in eine Inline-View „verpackt“ werden, auf welche dann die Einschränkung erfolgt: SELECT prod_category, prod_name, amount FROM (SELECT prod_category , prod_name , amount , RANK() OVER (PARTITION BY prod_category ORDER BY amount DESC) ranking FROM prod_sales) WHERE ranking = 1 Sind wir nun wieder gleich weit wie am Anfang? Ein Vorteil von analytischen Funktionen besteht ja darin, dass man dadurch Inline-Views vermeiden kann. Und nun benötigen wir eine Inline-View, um die analytischen Funktionen anzuwenden. Wo soll da der Vorteil sein? Im Gegensatz zum Beispiel am Anfang dieses Beitrages muss hier die Basistabelle nur einmal gelesen werden, und auf das Resultat dieses SELECT-Befehls erfolgt dann die Einschränkung. Zwar wäre es aus Performancegründen noch besser, wenn die Einschränkung zu Beginn, also vor der Auswertung der gesamten Inline-View erfolgen könnte. Dies ist aber deshalb nicht möglich, weil für die Berechnung der Produkte mit dem höchsten Umsatz die Verkaufszahlen entsprechend aggregiert und sortiert werden müssen, bevor die Einschränkung erfolgen kann. Weitere Funktionen Das gleiche Resultat lässt sich auch ohne Inline-View erreichen, und zwar mit einer Erweiterung, die mit Oracle 9i eingeführt wurde: FIRST bzw. LAST können verwendet werden, wenn eine analytische Funktion nur auf den ersten bzw. letzten Wert der Resultatmenge angewendet werden soll. In unserem Beispiel heisst das, dass der Name des ersten Produkts ermittelt werden soll, das aus einer sortierten Liste nach absteigendem Umsatz zurückgegeben wird. Weil wir die gesamte Abfrage nach Produktkategorie gruppieren, muss zusätzlich eine Gruppenfunktion (z.B. MIN oder MAX) angegeben werden. SELECT prod_category , MIN(prod_name) KEEP (DENSE_RANK FIRST ORDER BY amount DESC) , MAX(amount) FROM prod_sales GROUP BY prod_category Weitere interessante analytische Funktionen sind LAG und LEAD. Damit ist es möglich, ausgehend vom aktuellen Datensatz auf vorhergehende oder nachfolgende Datensätze zuzugreifen: SELECT , , FROM ename, hiredate, sal LAG(sal, 2) OVER (ORDER BY hiredate) lag_sal LEAD(sal, 3) OVER (ORDER BY hiredate) lead_sal emp Das Resultat dieser Abfrage zeigt für jeden Mitarbeiter nicht nur sein Gehalt an, sondern auch das Gehalt des vorletzten Mitarbeiters, der eingestellt wurde und jenes des Mitarbeiters drei Anstellungsdaten später: Database 17. Deutsche ORACLE-Anwenderkonferenz KONFERENZ Abb. 2: Analytische Funktionen LAG und LEAD Anwendungsbeispiel: Vorjahresvergleich Immer wieder besteht die Anforderung, dass zum Beispiel Verkaufszahlen mit den entsprechenden Werten der Vorperiode verglichen werden sollen. Im nachfolgenden Beispiel soll der Umsatz des aktuellen Monats dem Umsatz des gleichen Monats im Vorjahr gegenübergestellt werden. Dazu wird jeweils die Summe der Umsätze aus der 12-letzten Zeile übernommen. Das funktioniert natürlich nur, wenn in jedem Monat Verkäufe gemacht wurden. SELECT t.calendar_month_desc , SUM(s.amount_sold)/1000000 millions , LAG(SUM(s.amount_sold), 12) OVER (ORDER BY t.calendar_month_desc)/1000000 millions_ly FROM sales s, times t WHERE s.time_id = t.time_id GROUP BY t.calendar_month_desc Neben den hier vorgestellten analytischen Funktionen gibt es zahlreiche weitere Möglichkeiten, insbesondere statistische Funktionen, auf die hier nicht im Detail eingegangen wird. Einen Eindruck von der Mächtigkeit der analytischen Funktionen soll das letzte Beispiel geben, in welchem verschiedene Funktionen kombiniert in einer SQL-Abfrage verwendet werden. Pro Produktkategorie und Jahr werden folgende Werte berechnet: • TOTAL_AMOUNT: Gesamtumsatz der Produktkategorie im entsprechenden Jahr • CHANGE_LY: Prozentuale Veränderung gegenüber Vorjahresumsatz der Kategorie • PCT_YEAR: Prozentualer Anteil der Produktkategorie am gesamten Jahresumsatz • CAT_RANK: Platzierung des Jahres innerhalb der Produktkategorie • YEAR_RANK: Platzierung der Produktkategorie innerhalb des Jahres SELECT , , , p.prod_category category t.calendar_year year SUM(s.amount_sold) total_amount 100 * SUM(s.amount_sold) / LAG(SUM(s.amount_sold)) OVER (PARTITION BY p.prod_category ORDER BY t.calendar_year) -100 change_ly , 100 * RATIO_TO_REPORT (SUM(s.amount_sold)) OVER (PARTITION BY t.calendar_year) pct_year , RANK () OVER (PARTITION BY t.calendar_year ORDER BY SUM(s.amount_sold) DESC) cat_rank , RANK () OVER (PARTITION BY p.prod_category ORDER BY SUM(s.amount_sold) DESC) year_rank FROM sales s JOIN times t USING (time_id) JOIN products p USING (prod_id) GROUP BY t.calendar_year, p.prod_category ORDER BY p.prod_category, t.calendar_year Sollten Sie nun der Meinung sein, dass dieser SQL-Befehl kompliziert ist, versuchen Sie die gleiche Abfrage ohne Verwendung von analytischen Funktionen zu implementieren. Spätestens danach werden Sie die Einfachheit der analytischen Funktionen zu schätzen wissen. Fazit Mit den analytischen Funktionen hat Oracle eine SQL-Erweiterung eingeführt, die sehr vielseitig und hilfreich ist, wenn es um die Formulierung von komplexen Auswertungen und Berechnungen geht. Aufgrund der guten Performance eignen sie sich insbesondere auch für Abfragen auf grossen Datenmengen – hauptsächlich, aber nicht nur im Umfeld von Data Warehouses. Hat man die vielfältigen Möglichkeiten von analytischen Funktionen einmal entdeckt, möchte man dieses Oracle-Feature nicht mehr missen. Literatur • Oracle 9i SQL Reference, Release 2 (9.2), Part No. A96540-02, Chapter 6 • Oracle 9i Data Warehousing Guide, Release 2 (9.2), Part No. A96520-01, Chapter 19 • Oracle Database SQL Reference 10g Release 1 (10.1), Part No. B10759-01, Chapter 7 • Oracle Database Data Warehousing Guide, 10g Release 1 (10.1), Part No. B10736-01, Chapter 21 Database 17. Deutsche ORACLE-Anwenderkonferenz KONFERENZ Weitere Informationen zu analytischen Funktionen werden in den TrivadisKursen SQL-B (SQL für Fortgeschrittene) und O-DWH (Data Warehousing mit Oracle) vermittelt. Kontaktadresse: Dani Schnider Trivadis AG Europa-Strasse 5 CH-8152 Glattbrugg Telefon: Fax: E-Mail: Internet: +41(0)1-808 70 20 +49(0)1-808 70 21 [email protected] www.trivadis.com