下次面试官再问ClickHouse的优化手段就知道怎么答了！

CREATE INDEX index_name ON table_name(column1, column2, ...) 

CREATE TABLE table_name (...) PARTITION BY (partition_key_expression)

1. 为经常用于查询条件的字段创建索引。
2. 为大表创建分区，以提高查询性能。
3. 根据业务需求和数据访问模式，合理选择索引类型和分区策略。
4. 定期审查索引和分区策略，根据数据变化进行调整。

EXPLAIN [AST | SYNTAX | PLAN | PIPELINE] SELECT ...

查找执行计划中的性能瓶颈，如全表扫描、文件排序等。
根据瓶颈，调整查询语句、创建或修改索引、优化表结构等。
重新执行查询，并比较执行计划和性能。

尽量避免笛卡尔积连接，使用JOIN条件过滤无关记录。
优先使用INNER JOIN，避免使用OUTER JOIN。
将子查询替换为JOIN或EXISTS子句，提高性能。

避免在大表上使用聚合函数，如COUNT()、SUM()等。
使用窗口函数进行分组和排序操作，提高查询性能。

尽量使用索引进行查询，避免全表扫描。
使用WHERE子句过滤无关记录，减少数据读取量。

使用索引进行过滤和排序操作。
避免在ORDER BY子句中使用函数和表达式。

为经常用于查询条件的字段创建索引。
使用分区键进行
数据分片和查询优化
调整并发设置和内存限制:
  - 根据系统资源和查询需求，调整ClickHouse的并发设置，如max_threads参数。
  - 调整内存限制参数，如max_memory_usage，以保证查询能在限定的资源下高效运行。
  
处理大数据量和复杂查询场景:
  - 对于大数据量查询，可以使用LIMIT子句分批查询，降低内存消耗。
  - 对于复杂查询，可以将查询拆分为多个简单查询，使用临时表或物化视图存储中间结果，降低查询复杂度。
  
SQL查询优化的最佳实践和常见问题解决方案:
  - 使用EXPLAIN命令查看查询执行计划，找到性能瓶颈。
  - 合理设计表结构、索引和分区，以提高查询性能。
  - 避免使用不必要的聚合函数、窗口函数和JOIN操作。
  - 避免全表扫描，尽量使用索引进行查询。
  - 使用WHERE子句过滤无关记录，降低数据读取量。
  - 调整ClickHouse的并发设置和内存限制，提高查询性能。
  - 对于大数据量和复杂查询场景，采用分批查询、拆分查询和使用临时表等策略降低查询复杂度。

SELECT t1.id, t1.name, t2.salary, t3.department
FROM employees t1
JOIN salaries t2 ON t1.id = t2.employee_id
JOIN departments t3 ON t1.department_id = t3.id
WHERE t2.salary > 50000;

EXPLAIN
SELECT t1.id, t1.name, t2.salary, t3.department
FROM employees t1
JOIN salaries t2 ON t1.id = t2.employee_id
JOIN departments t3 ON t1.department_id = t3.id
WHERE t2.salary > 50000;

SELECT t1.id, t1.name, t2.salary, t3.department
FROM (SELECT * FROM employees WHERE department_id IN (SELECT id FROM departments)) t1
JOIN (SELECT * FROM salaries WHERE salary > 50000) t2 ON t1.id = t2.employee_id
JOIN departments t3 ON t1.department_id = t3.id;

SELECT department, COUNT(*) AS employee_count, SUM(salary) AS total_salary,
       AVG(salary) AS average_salary, RANK() OVER (PARTITION BY department 
        ORDER BY salary DESC) AS rank
FROM employees
GROUP BY department;

EXPLAIN
SELECT department, COUNT(*) AS employee_count, SUM(salary) AS total_salary,
       AVG(salary) AS average_salary, RANK() OVER (PARTITION BY department 
    ORDER BY salary DESC) AS rank
FROM employees
GROUP BY department;

-- 创建物化视图
CREATE MATERIALIZED VIEW employee_stats_mv AS
SELECT department, COUNT(*) AS employee_count, SUM(salary) AS total_salary
    , AVG(salary) AS average_salary
FROM employees
GROUP BY department;

-- 查询物化视图和窗口函数
SELECT department, employee_count, total_salary, average_salary,
       RANK() OVER (PARTITION BY department ORDER BY average_salary DESC) AS rank
FROM employee_stats_mv;