如何优化多模型Django查询，提升大数据量下的执行速度？

你当前代码效率低的核心原因：

• 循环40个模型分别查询，每次都把符合日期条件的全量对象拉到Python内存里再求和，既做了40次数据库请求，又传输了大量不必要的数据。
• 没有利用数据库的聚合计算能力，把本该数据库做的计算丢给了Python。

1. 用数据库聚合替代Python求和 #

直接让数据库计算每个模型的总分，每次查询只返回一个数值，大幅减少数据传输量：

from django.db.models import Sum

campaign_score = 0
for model in campaign_list:
    # 用Sum聚合函数在数据库层面完成求和
    score_agg = model.objects.filter(audit_date__range=[start_date, todays_date]).aggregate(total=Sum('overall_score'))
    # 处理无数据的情况（此时total为None）
    campaign_score += score_agg['total'] or 0

2. 给日期字段加索引 #

每个模型的audit_date字段添加数据库索引，能显著加速日期范围查询：

在模型类的Meta中添加索引：

class ExampleModel(models.Model):
    audit_date = models.DateField()
    overall_score = models.FloatField()
    # 其他字段...

    class Meta:
        indexes = [models.Index(fields=['audit_date'])]

执行迁移生效：python manage.py makemigrations && python manage.py migrate

3. 针对「每月平均分」的精准优化 #

如果你的核心需求是按月份统计平均分，直接用数据库分组聚合，一次性拿到每个月的总分和数据量，再计算平均：

from django.db.models import Sum, Count
from django.db.models.functions import ExtractMonth, ExtractYear

monthly_data = []
for model in campaign_list:
    # 按年、月分组，统计每组的总分和数据量
    model_monthly = model.objects.filter(audit_date__range=[start_date, todays_date]).annotate(
        year=ExtractYear('audit_date'),
        month=ExtractMonth('audit_date')
    ).values('year', 'month').annotate(
        total_score=Sum('overall_score'),
        record_count=Count('id')
    ).order_by('year', 'month')
    
    monthly_data.extend(model_monthly)

# 合并不同模型的同月数据，计算最终平均分
final_monthly_avg = {}
for item in monthly_data:
    key = (item['year'], item['month'])
    if key not in final_monthly_avg:
        final_monthly_avg[key] = {'total': 0, 'count': 0}
    final_monthly_avg[key]['total'] += item['total_score'] or 0
    final_monthly_avg[key]['count'] += item['record_count'] or 0

# 输出结果
for (year, month), stats in final_monthly_avg.items():
    if stats['count'] > 0:
        avg = stats['total'] / stats['count']
        print(f"{year}年{month}月 平均分：{avg:.2f}")

进阶建议：合并模型（如果结构一致） #

如果这40个模型的字段完全相同，建议改成单表+类型字段的结构（比如新增campaign_type字段区分不同业务类型），这样只需要一次查询就能完成所有统计，效率会提升数十倍。

内容的提问来源于stack exchange，提问作者Ibrahim Khan