मैंने SQL सर्वर 2014 पर विरासत CE के साथ परीक्षण किया और कार्डिनैलिटी अनुमान के रूप में 9% नहीं मिला। मुझे कुछ भी सटीक ऑनलाइन नहीं मिल रहा था इसलिए मैंने कुछ परीक्षण किया और मुझे एक मॉडल मिला जो सभी परीक्षण मामलों में फिट बैठता है जो मैंने कोशिश की थी, लेकिन मुझे यकीन नहीं है कि यह पूरा हो गया है।
मुझे जो मॉडल मिला, उसका अनुमान तालिका में पंक्तियों की संख्या, फ़िल्टर्ड कॉलम के आँकड़ों की औसत कुंजी लंबाई और कभी-कभी फ़िल्टर्ड कॉलम की डेटापाइप लंबाई से लिया गया है। अनुमान के लिए उपयोग किए जाने वाले दो अलग-अलग सूत्र हैं।
यदि FLOOR (औसत कुंजी लंबाई) = 0 तो अनुमान सूत्र स्तंभ के आँकड़ों की उपेक्षा करता है और डेटाटाइप लंबाई के आधार पर एक अनुमान बनाता है। मैंने केवल VARCHAR (N) के साथ परीक्षण किया है इसलिए यह संभव है कि NVARCHAR (N) के लिए एक अलग सूत्र हो। यहाँ VARCHAR (N) का सूत्र है:
(पंक्ति अनुमान) = (तालिका में पंक्तियाँ) * (-0.004869 + ०.०३२६४ ९ * लॉग १० (डेटा प्रकार की लंबाई)
यह एक बहुत अच्छा फिट है, लेकिन यह पूरी तरह से सही नहीं है:
X- अक्ष डेटा प्रकार की लंबाई है और y अक्ष 1 मिलियन पंक्तियों वाली तालिका के लिए अनुमानित पंक्तियों की संख्या है।
यदि आप स्तंभ पर आंकड़े नहीं रखते या क्वेरी स्तंभ में पर्याप्त NULL मान 1 से नीचे की औसत लंबाई को चलाने के लिए पर्याप्त सूत्र हैं, तो क्वेरी ऑप्टिमाइज़र इस सूत्र का उपयोग करेगा।
उदाहरण के लिए, मान लें कि आपके पास VARCHAR (50) पर फ़िल्टर करने के साथ 150k पंक्तियों वाली कोई तालिका नहीं थी और कोई स्तंभ आँकड़े नहीं थे। पंक्ति अनुमान भविष्यवाणी है:
150000 * (-0.004869 + 0.032649 * log10 (50)) = 7590.1 पंक्तियाँ
एसक्यूएल यह परीक्षण करने के लिए:
CREATE TABLE X_CE_LIKE_TEST_1 (
STRING VARCHAR(50)
);
CREATE STATISTICS X_STAT_CE_LIKE_TEST_1 ON X_CE_LIKE_TEST_1 (STRING) WITH NORECOMPUTE;
WITH
L0 AS (SELECT 1 AS c UNION ALL SELECT 1),
L1 AS (SELECT 1 AS c FROM L0 A CROSS JOIN L0 B),
L2 AS (SELECT 1 AS c FROM L1 A CROSS JOIN L1 B),
L3 AS (SELECT 1 AS c FROM L2 A CROSS JOIN L2 B),
L4 AS (SELECT 1 AS c FROM L3 A CROSS JOIN L3 B CROSS JOIN L2 C),
NUMS AS (SELECT ROW_NUMBER() OVER (ORDER BY (SELECT NULL)) AS NUM FROM L4)
INSERT INTO X_CE_LIKE_TEST_1 WITH (TABLOCK) (STRING)
SELECT TOP (150000) 'ZZZZZ'
FROM NUMS
ORDER BY NUM;
DECLARE @LastName VARCHAR(15) = 'BA%'
SELECT * FROM X_CE_LIKE_TEST_1
WHERE STRING LIKE @LastName;
एसक्यूएल सर्वर 7242.47 की एक अनुमान पंक्ति गिनती देता है जो कि करीब है।
यदि FLOOR (औसत कुंजी लंबाई)> = 1 तो एक अलग सूत्र का उपयोग किया जाता है जो कि FLOOR (औसत लंबाई लंबाई) के मूल्य पर आधारित होता है। यहाँ कुछ मानों की एक तालिका दी गई है, जिन्हें मैंने आज़माया है:
1 1.5%
2 1.5%
3 1.64792%
4 2.07944%
5 2.41416%
6 2.68744%
7 2.91887%
8 3.11916%
9 3.29584%
10 3.45388%
यदि FLOOR (औसत कुंजी लंबाई) <6 तो ऊपर दी गई तालिका का उपयोग करें। अन्यथा निम्नलिखित समीकरण का उपयोग करें:
(पंक्ति अनुमान) = (तालिका में पंक्तियाँ) * (-0.003381 + 0.034539 * log10 (FLOOR (औसत कुंजी लंबाई)))
यह एक दूसरे की तुलना में बेहतर है, लेकिन यह अभी भी पूरी तरह से सही नहीं है।
X- अक्ष औसत कुंजी लंबाई है और y अक्ष 1 मिलियन पंक्तियों वाली तालिका के लिए अनुमानित पंक्तियों की संख्या है।
एक और उदाहरण देने के लिए, मान लीजिए कि आपके पास फ़िल्टर्ड कॉलम पर आँकड़ों के लिए 5.5 की औसत लंबाई के साथ 10k पंक्तियों वाली एक तालिका थी। पंक्ति का अनुमान होगा:
10000 * 0.241416 = 241.416 पंक्तियाँ।
एसक्यूएल यह परीक्षण करने के लिए:
CREATE TABLE X_CE_LIKE_TEST_2 (
STRING VARCHAR(50)
);
WITH
L0 AS (SELECT 1 AS c UNION ALL SELECT 1),
L1 AS (SELECT 1 AS c FROM L0 A CROSS JOIN L0 B),
L2 AS (SELECT 1 AS c FROM L1 A CROSS JOIN L1 B),
L3 AS (SELECT 1 AS c FROM L2 A CROSS JOIN L2 B),
L4 AS (SELECT 1 AS c FROM L3 A CROSS JOIN L3 B CROSS JOIN L2 C),
NUMS AS (SELECT ROW_NUMBER() OVER (ORDER BY (SELECT NULL)) AS NUM FROM L4)
INSERT INTO X_CE_LIKE_TEST_2 WITH (TABLOCK) (STRING)
SELECT TOP (10000)
CASE
WHEN NUM % 2 = 1 THEN REPLICATE('Z', 5)
ELSE REPLICATE('Z', 6)
END
FROM NUMS
ORDER BY NUM;
CREATE STATISTICS X_STAT_CE_LIKE_TEST_2 ON X_CE_LIKE_TEST_2 (STRING)
WITH NORECOMPUTE, FULLSCAN;
DECLARE @LastName VARCHAR(15) = 'BA%'
SELECT * FROM X_CE_LIKE_TEST_2
WHERE STRING LIKE @LastName;
पंक्ति का अनुमान 241.416 है जो आपके प्रश्न में मेल खाता है। यदि टेबल में कोई मान नहीं है तो कुछ त्रुटि होगी।
यहाँ मॉडल सही नहीं हैं, लेकिन मुझे लगता है कि वे सामान्य व्यवहार को बहुत अच्छी तरह से चित्रित करते हैं।