Amazon Redshift non supporterà più la creazione di nuovi Python a UDFs partire dal 1° novembre 2025. Se vuoi usare Python UDFs, crea la UDFs data precedente a quella data. Python esistente UDFs continuerà a funzionare normalmente. Per ulteriori informazioni, consulta il post del blog
Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Tipo di dati SUPER e viste materializzate
Con Amazon Redshift, puoi utilizzare viste materializzate per migliorare le prestazioni e la flessibilità delle query eseguite sul tipo di dati SUPER. Il tipo di dati SUPER consente di memorizzare un superset di colonne dalle tabelle di base in una vista materializzata, consentendoti di interrogare direttamente la vista materializzata senza unire le tabelle di base. Le seguenti sezioni mostrano come creare e utilizzare viste materializzate con il tipo di dati SUPER in Amazon Redshift.
Amazon Redshift supporta viste materializzate che incorporano colonne di tipi di dati SUPER e query PartiQL. Le viste materializzate possono essere aggiornate in modo incrementale, mentre Amazon Redshift aggiorna solo i dati che sono cambiati nelle tabelle di base dall'ultima operazione di aggiornamento. Questo approccio di aggiornamento selettivo rende il processo di aggiornamento più efficiente rispetto ai ricalcoli completi. Per ulteriori informazioni sulle viste materializzate, consultare Viste materializzate in Amazon Redshift.
Accelerazione delle query PartiQL
È possibile utilizzare le viste materializzate per accelerare le query PartiQL che spostano e/o annullano la nidificazione di dati gerarchici nelle colonne SUPER. Creando una o più viste materializzate per suddividere i valori SUPER in più colonne e utilizzare l'organizzazione a colonne delle query analitiche di Amazon Redshift, puoi essenzialmente estrarre e normalizzare i dati annidati. Il livello di normalizzazione dipende da quanto sforzo si fa per trasformare i dati SUPER in dati colonnari convenzionali.
I seguenti argomenti mostrano esempi di suddivisione o distruzione di dati complessi in colonne più piccole, nonché di creazione di colonne scalari a partire da dati distrutti per migliorare le prestazioni.
Argomenti
