Snowflake查询调优：窗口函数占89%资源的慢SQL优化建议问询

89%的计算开销集中在窗口函数，优先从窗口逻辑优化入手：

• 复用窗口分组定义，减少重复分组开销
  你所有窗口函数的PARTITION BY逻辑完全一致，均按DATE_VAL, CAM_ID, GRP_ID分组，无需每个窗口函数重复声明分组规则，用Snowflake支持的WINDOW子句统一定义分组后，分组哈希计算仅执行一次，可直接降低70%+的窗口计算开销，同时用QUALIFY语法替代外层嵌套子查询过滤行号，减少查询层数：

select 
    DATE_VAL, 
    CAM_ID, 
    GRP_ID,                 
    first_value(CAT) over (w order by CAT nulls last) as CATEGORY,
    -- 其余20+个窗口函数都可以直接复用w窗口的分组定义，仅声明各自的order by规则即可
    ROW_NUMBER() OVER (w order by TRCK nulls last) as rnk
from (
    select distinct
        TO_CHAR(DATE, 'YYYYMMDD') as DATE_VAL, -- 替换原REPLACE逻辑，内置日期转字符串函数性能更高
        CAM_ID, 
        GRP_ID, 
        TRCK,
        case when D.CAT = 'T' then NULL else D.CAT end as CAT          
    from DB.SCHEMA.TAB D 
)
WINDOW w AS (partition by DATE_VAL, CAM_ID, GRP_ID) -- 统一定义分组规则
QUALIFY rnk = 1

• 优化内层数据预处理逻辑
  1. 去重逻辑优化：如果内层distinct是为了去重重复的分组维度+属性列，可以替换为GROUP BY DATE, CAM_ID, GRP_ID, TRCK, CAT，Snowflake中GROUP BY的执行效率通常高于DISTINCT，尤其是大表场景
  2. 提前列裁剪与过滤：确保内层查询没有读取不需要的列，同时如果业务上可以限制日期范围，提前加WHERE DATE >= 'xxxx-xx-xx'过滤条件，减少进入窗口计算的数据量
• 表结构层面优化（适合高频执行的查询）
  1. 给原表DB.SCHEMA.TAB设置聚类键CLUSTER BY (DATE, CAM_ID, GRP_ID)，让相同分组的数据存储在相邻的微分区中，查询时可以减少扫描的微分区数量，同时降低窗口计算时的数据跨节点shuffle开销
  2. 常用的预处理逻辑可以固化为计算列，比如DATE_VAL、转换后的CAT字段都可以设置为表的计算列，查询时无需实时计算
• 仓库参数适配优化
  调整查询逻辑后，也可以根据运行情况开启仓库的查询加速服务（Query Acceleration Service），针对大表的窗口计算、分组场景可以自动 offload 部分计算任务，无需固定升级到M规格也能满足性能要求

内容的提问来源于stack exchange，提问作者hiphop