在 Redshift 中使用時間戳作為 DISTKEY 是否合適？

我在理解如何為我正在處理的表中選擇 DISTKEY 時遇到了一些麻煩。

考慮下表：

create table test_table (
   country     char(2)       encode zstd,
   record_time bigint        encode zstd not null,
   ip          bigint        encode zstd,
   identifier  varchar(41)   encode zstd not null,
   lat         numeric(10,3) encode zstd,
   long        numeric(10,3) encode zstd,
   PRIMARY KEY (event_time, hash)
)
DISTKEY(event_time)
SORTKEY(country, event_time, hash)

我的理解是，僅當要與其他表連接時，DISTKEY 才真正重要。

該表將是其集群中唯一的一個，因此不會與其他表連接。既然是這種情況，我是否正確地假設 DISTKEY 是不必要的/冗餘的，或者 DISTKEY 的影響超出了眼睛的範圍？

這是非常極端的情況，但在某些情況下，數據位置的重要性並不大。

假設您要求數據庫執行此查詢：

SELECT COUNT(DISTINCT ip) FROM test_table GROUP BY country

如果表格按國家/地區分佈，則不需要網路活動（我對此進行了測試以確認）。對於任何其他分發方式，雜湊表在邏輯上需要通過網路重新分發（我也對此進行了測試以確認）。

也就是說，您可能只想選擇 EVEN 分佈樣式以最大限度地提高掃描速度。就此而言，也許您想在這個案例中使用 Spectrum。

您應該考慮基於 1) 獲得數據的均勻分佈和 2) 在將要連接的表上使用相同的 distkey 的 distkey，以便可以在本地進行連接

如果您使用時間戳 (record_time) 作為 dist 鍵，那麼如果您的數據具有重要的時間跨度（例如一年或更長時間），那麼這對於選擇時間戳子集（例如前一周或前一個月的數據）的查詢將非常糟糕。

我建議您仔細閱讀 http://docs.aws.amazon.com/redshift/latest/dg/c_designing-tables-best-practices.html

引用自：https://dba.stackexchange.com/questions/184865