Экспресс-оптимизации для ускорения дашборда

1. Определяем метод замера скорости

1.1 Открываем Docker Desktop и заходим внутрь контейнера Clickhouse

1.2 С помощью утилиты clickhouse-benchmark выполняем каждый запрос 5 раз

1.3 С помощью утилиты clickhouse-benchmark выполняем каждый запрос 5 раз

1.4 Сохраняем результат запроса в Excel

2. Редактируем индикатор подсчета количества учеников

2.1 Обновляем дашборд, в докере выполняем комануд получения запросов и запускаем clickhouse-benchmark

3. Добавляем первичный ключ. Удаляем таблицу. И при создании вместо `PRIMARY KEY(tuple()` указываем `PRIMARY KEY(personidint)`.

3.1 Обновляем дашборд, в докере выполняем команд получения запросов и запускаем clickhouse-benchmark

4. Смотрим на два самых долгих запроса

4.1 Изменим конструкцию case (значение `null` заменим на -1), изменим тип поля в ddl таблицы на int8, пересоздадим таблицу. А в дашборде откроем датасет и создадим вычисляемое поле markreal.

4.2 Обновляем дашборд, в докере выполняем команд получения запросов и запускаем clickhouse-benchmark

5. Смотрим на два самых долгих запроса

5.1. В обоих функциях агрегация по полю mark. Добавим его в первичный индекс.

5.2 Обновляем дашборд, в докере выполняем команд получения запросов и запускаем clickhouse-benchmark

6. Изменим фильтрацию.

7. Добавим партиционирование.

7.1. Проверим скорость выполнения запросов. Время выполнения запросов изменилось.

8. Добавим проекцию.

8.1. Добавляем проекцию по оценке для случая, если дашборд строится без применения фильтров по дате и школе

8.2. Проверим скорость выполнения запросов. Она упала.

9. Добавим индексы пропуска данных.

9.1. Перед созданием фильтра проверим скорость отрисовки дашборда с применением фильтра по месяцу.

9.2. Добавляем индекс пропуска данных по всем полям с датами

9.3. Повторяем замеры. Видим прирост в скорости выполнения запросов.

P.S. Результаты тестов в файле chbenchmarkresults.xlsx