SQL Mastery (оконные функции, индексы): как достичь уровня эксперта и не наступить на грабли оптимизации

Представьте: отчёт, который в тестовой среде выполнялся за 0,2 секунды, на проде висит 40 секунд и блокирует другие запросы. Знакомая ситуация? Причина часто не в «железе», а в непонимании того, как СУБД использует индексы и оконные функции. Эта статья — о том, как мыслить категориями планов выполнения, а не догадок, и где обычно ломается интуиция разработчика.

Почему оконные функции и индексы — это про механику, а не про синтаксис

Оконные функции (ROW_NUMBER(), SUM() OVER, LAG/LEAD) позволяют вычислять агрегаты по группам строк, не сворачивая сам результат. Индексы — это структуры (B-tree, GiST, GIN, BRIN), которые ускоряют поиск за счёт дополнительного места и стоимости поддержки при вставке/обновлении. Экспертный уровень начинается там, где вы понимаете цену каждого решения: оконная функция может заставить СУБД отсортировать весь набор данных, а индекс — замедлить запись, если он неоптимален.

Разбор: ускорение отчёта с оконными функциями и индексами

Допустим, есть таблица orders с 10 млн строк и запрос, который считает накопительную сумму по клиентам за последний месяц:

SELECT customer_id, order_date, amount,
       SUM(amount) OVER (PARTITION BY customer_id ORDER BY order_date) AS running_total
FROM orders
WHERE order_date >= '2026-10-01' AND order_date < '2026-11-01';

Без индекса по order_date СУБД просканирует все 10 млн строк. Даже с индексом оконная функция потребует сортировки отфильтрованных данных по customer_id, order_date. Если строк за месяц 500 тыс., сортировка займёт сотни миллисекунд — терпимо. Но если убрать фильтр по дате, объём вырастет до 10 млн, и сортировка займёт уже десятки секунд. Практик сначала строит индекс:

CREATE INDEX idx_orders_date ON orders (order_date);

Затем смотрит план через EXPLAIN ANALYZE и видит Index Scan вместо Seq Scan. Но это ещё не всё: если фильтр по дате возвращает много строк, оптимизатор может предпочесть Bitmap Heap Scan. Оконная функция всё равно потребует сортировки. Если добавить в индекс customer_id, можно получить Index Only Scan для части запроса, но оконная функция всё равно будет сортировать. Ошибка новичка — думать, что индекс ускорит любую часть запроса. На самом деле индексы помогают только в фильтрации и соединениях, но не в оконных вычислениях, если не покрывают нужный порядок.

Что пойдёт не так, если сделать иначе: без индекса по order_date запрос будет читать всю таблицу каждый раз. При росте данных до 50 млн строк время вырастет линейно. Если добавить индекс, но не обновить статистику (ANALYZE), оптимизатор может выбрать неверный план. Если использовать SUM() OVER без PARTITION BY, получим накопительную сумму по всей таблице — не то, что нужно.

Где ломается механизм: сценарии отказа

1. Изменение статистики. После массовой вставки данных оптимизатор может внезапно выбрать Seq Scan вместо Index Scan, потому что индекс перестал быть селективным. Заметить заранее: следите за pg_stat_user_indexes и регулярно запускайте ANALYZE. Если уже поздно — пересоздайте индекс или используйте VACUUM ANALYZE.

2. Индекс не используется из-за типа данных. Например, фильтр WHERE order_date::date = '2026-11-01' может игнорировать индекс по order_date, если тип колонки — timestamp. Приведение типов меняет выражение, и индекс становится неприменим. Заметить: в плане появится Filter вместо Index Cond. Решение: переписать условие без приведения или создать функциональный индекс.

3. Оконная функция с большим окном. ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW требует запоминания всех предыдущих строк. При миллионах строк это может привести к переполнению памяти и сбросу на диск. Заметить: в плане появится WindowAgg с большим temp read/written. Решение: ограничить окно или использовать агрегаты с индексами.

4. Блокировки и MVCC. Долгий SELECT с оконными функциями может удерживать снимок данных и мешать очистке (VACUUM), что ведёт к раздуванию таблиц. Заметить: рост n_dead_tup в pg_stat_user_tables. Решение: сокращать транзакции, использовать statement_timeout.

Пути освоения: самостоятельность vs структурированный курс

Самостоятельное изучение SQL до уровня эксперта — это годы проб и ошибок. Вы будете находить разрозненные статьи, но редко получать обратную связь по своим запросам. Практика на реальных проектах даёт опыт, но ошибки могут стоить дорого (блокировки на проде). Курсы дают систему, но не все — глубину.

Сравним варианты:

Курс SQL Mastery (оконные функции, индексы) закрывает именно те барьеры, которые возникают при самостоятельном изучении: там разбирают планы выполнения, стратегии индексирования и оконные функции на конкретных примерах, а не только синтаксис. Вы получаете структуру и возможность сверить свои решения с эталонными.

Кому подходит, а кому нет

Этот путь для тех, кто уже пишет SQL-запросы, но хочет научиться делать их быстрыми и предсказуемыми. Он подойдёт аналитикам, разработчикам и администраторам БД, работающим с PostgreSQL или другими СУБД. Не стоит идти сюда новичкам, которые ещё не знакомы с JOIN и базовыми агрегатами — им сначала нужен фундамент. Также курс не заменяет реальной практики: без применения на проектах знания останутся теорией. Смотрите также и 5 промтов для переупаковки одного поста в рилс, карусель и сторис без.

Если вы узнали себя в описанных сценариях и хотите перестать гадать, почему запрос тормозит, — обратите внимание на SQL Mastery (оконные функции, индексы). Там есть разборы реальных планов и обратная связь по вашим решениям, что помогает быстрее выйти на экспертный уровень. Смотрите также и Data Engineering (Spark, dbt): как строить пайплайны данных, которые не падают в production.