咨询个 SQL 数据去重的问题

[kkbear]

目前有个流水表，大几千万的数据，可以简化如下：
会员号（ member_id), 流水日期（ trans_date)

有个需求，需要找出指定日期段内的会员数量（去重）
这个日期段时灵活的，可能时本月，本周，最近 7 天，最近 30 天

有什么方法能优化
1. 没办法根据日期段做汇总结果的统计表,因为日期段没有任何规律
2. 数据库为 mysql,目前用的 sum(distinct member_id) where trans_date between

[wenxueywx]

写错了？ 统计数量怎么会用 sum 应该用 count 吧
没理解根据日期做汇总结果的统计表什么意思

[asAnotherJack]

怎么是 sum 呢，不该是 count 吗

[kkbear]

写错了，是 count
@wenxueywx 统计表，也可以理解成缓存表就行

[ZZ74]

优化 ？现在是碰到什么问题了 查询慢？

[sagaxu]

按一个月不超过 300 万数据增量估算，有联合索引(trans_date, member_id)，低频词的在从库里查 1 个月也 OK

[8355]

我倾向于用其他数据库做 例如 clickhouse 或着其他大数据方向的数据库计算，并不是用关系型数据库。
如果可以接受不是很精准的话可以用布隆过滤器

[x1n04]

type 看看，再加点索引呢。

[wenxueywx]

实时查询就行了，没必要将汇总结果缓存吧，主要在 trans_date 字段上设计索引。如果 select 没有其它字段的话就加上 member_id 做个联合索引，直接使用覆盖索引查询。

[NoOneNoBody]

我只知道 pandas 做这个甚为简单，sql 就不晓得了

[kkbear]

加索引也慢，估计是去重数据太多了

[kkbear]

@8355 是吧，我也感觉这项目已经不适用关系型数据库了，底层还有很多爬取同步过来的数据，然后中间一顿清洗整理汇总

[akiakise]

提供一个思路，离线算出来过去每天的去重会员数保存到一个新表里，查询的时候直接按时间范围 sum 新表就行了

[clf]

先 explain 看看怎么走的索引呗。

[xmumiffy]

建个新表就存每日去重后你要的数据，你说的“简化”，实际搜索时还是被其他列影响了。
建个日期加会员号的索引

[OliverDD]

@kkbear #11 这标准的 ETL 流程，还是上 OLAP 数据库吧，别为难 mysql 了

[8355]

@kkbear #11 因为这种需求就是 mysql 做也能做，但是随着数据量的增长只会越来越痛苦，感觉早点换方案更好，到这个数据量了一年加个小几万来解决这种问题感觉是比较超值的，不然在 mysql 凑合最后还是要迁移重做一遍。

[hhhzccc]

上报表系统吧

[rockyliang]

@akiakise 你这思路肯定不行啊，求 N 天的去重数量，不能简单的将每天的去重数量加起来

[pkoukk]

沟通需求，把查询时间的粒度从秒提升到小时或者天，我相信运营不会看精确到秒的粒度数据。
然后按粒度把数据统计成二级表，查询从二级表 sum

[Mithril]

主要还是看你的需求到底是什么，是要精确结果，还是一个近似估计。而且也要看数据分布是怎样的，平均查询覆盖的数据量有多少。

比如说你这几千万数据是好几年的，每天其实都没多少，那就先拆表，再限制查询范围不能跨边界，结果就能好不少。

OLAP 在这种大规模去重统计上，是用 HyperLogLog 去算近似值的。如果你一定要精确结果，那它也会非常慢的（还是要比你 mysql 快）。

所以如果你数据量比较集中，只要个有一定精度的近似值，而且以后还有这类统计分析的需求，那就上个 OLAP 数据库。但这不只是增加了系统复杂度，而且数据同步，OLAP 数据库的备份还原等等你都要考虑到。

如果一定要精确值，而且以后也没这类需求。想办法在现有数据库上改进也可以的。