一、 SQL及分析

查询SQL语句如下：

select * from (
    select
        c_name, c_custkey, o_orderkey, o_orderdate, o_totalprice,
        sum(l_quantity)
    from
        customer, orders, lineitem
    where
        o_orderkey in (
            select
                l_orderkey
            from
                lineitem
            group by
                l_orderkey
            having
                sum(l_quantity) > 314
        )
        and c_custkey = o_custkey
        and o_orderkey = l_orderkey
    group by
        c_name,
        c_custkey,
        o_orderkey,
        o_orderdate,
        o_totalprice
    order by
        o_totalprice desc,
        o_orderdate
) where rownum<=100;

分析这个查询，如果将下面的子查询

select 
    l_orderkey, sum(l_quantity) lq
from 
    lineitem
group by 
    l_orderkey

命名为视图lo，则原查询的主体等价于：

select * from (
    select
        c_name, c_custkey, o_orderkey, o_orderdate, o_totalprice, lq
    from
        customer, orders, lo
    where
        c_custkey = o_custkey
        and o_orderkey = l_orderkey
        and lq > 314
    order by
        o_totalprice desc,
        o_orderdate
) where rownum<=100;

视图是个单表分组聚合运算，主查询是多表关联过滤。

二、 SPL实现

这是一个有外键关联的表orders与其同维表lo的连接运算，而我们知道lineitem是orders的子表，也是按l_orderkey排序的，用lineitem计算出来的lo仍然可以保证按l_orderkey有序，这样可以与orders做高速归并连接。

customer作为外键表在结果集上与orders关联即可，前面运算可以不参与。

A5中用前面例子介绍过的主子表有序归并关联技巧，A8中用joinx@q与customer表有序连接。

三、 进一步优化

1. 优化方法

本例中要使用Q2中介绍的维表主键序号化方法，customer中的C_CUSTKEY、orders中的O_CUSTKEY都已在之前的例子中转换过了。

2. 数据转换代码

复制customer_13.ctx、orders_13.ctx、lineitem_17.ctx分别重命名为customer_18.ctx、orders_18.ctx、lineitem_18.ctx。

3. 数据转换后的计算代码

维表需要预加载，加载代码如下：

在查询计算之前，需要先运行预加载代码，将小维表读入内存。

计算代码：

orders_18.ctx中的O_ORDERDATE在以前的例子中被整数化了，所以需要用date@o再还原成日期。

四、 使用企业版列式计算

1. 原始数据

2. 优化后数据

维表需要预加载，加载代码如下：

在查询计算之前，需要先运行预加载代码，将小维表读入内存。

计算代码：

五、 测试结果

单位：秒

数据转换并预加载后，运算性能提高不明显，因为主要的运算时间在A3-A6，这部分使用不上优化方法，用优化方法的结果集只有100行数据，优化效果体现不出来。