Amazon Redshift ne prendra plus en charge la création de nouveaux Python UDFs à compter du 1er novembre 2025. Si vous souhaitez utiliser Python UDFs, créez la version UDFs antérieure à cette date. Le Python existant UDFs continuera à fonctionner normalement. Pour plus d'informations, consultez le billet de blog
Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Type de données SUPER et vues matérialisées
Avec Amazon Redshift, vous pouvez utiliser des vues matérialisées pour améliorer les performances et la flexibilité des requêtes exécutées sur le type de données SUPER. Le type de données SUPER vous permet de stocker un sur-ensemble de colonnes provenant des tables de base dans une vue matérialisée, ce qui vous permet d'interroger directement la vue matérialisée sans joindre les tables de base. Les sections suivantes expliquent comment créer et utiliser des vues matérialisées avec le type de données SUPER dans Amazon Redshift.
Amazon Redshift prend en charge les vues matérialisées qui intègrent des colonnes de type de données SUPER et des requêtes partiQL. Les vues matérialisées peuvent être actualisées de manière incrémentielle, tandis qu'Amazon Redshift met uniquement à jour les données modifiées dans les tables de base depuis la dernière opération d'actualisation. Cette approche de mise à jour sélective rend le processus d'actualisation plus efficace que les recalculs complets. Pour plus d’informations sur les vues matérialisées, consultez Vues matérialisées dans Amazon Redshift.
Accélération des requêtes PartiQL
Vous pouvez utiliser les vues matérialisées pour accélérer les requêtes PartiQL qui parcourent et/ou désimbriquent les données hiérarchiques dans les colonnes SUPER. En créant une ou plusieurs vues matérialisées pour diviser les valeurs SUPER en plusieurs colonnes et en utilisant l'organisation en colonnes des requêtes analytiques Amazon Redshift, vous pouvez essentiellement extraire et normaliser des données imbriquées. Le niveau de normalisation dépend de l’effort que vous déployez pour transformer les données SUPER en données colonnaires conventionnelles.
Les rubriques suivantes présentent des exemples de décomposition ou de destruction de données complexes en colonnes plus petites, ainsi que de création de colonnes scalaires à partir de données déchiquetées pour améliorer les performances.
Rubriques
