我有很多(~2000个)时间序列数据的位置。每个时间序列都有数百万行。我想将它们存储在Postgres数据库中。我目前的方法是为每个位置时间序列设置一个表,以及一个存储有关每个位置(坐标,高程等)的信息的元表。我正在使用Python / SQLAlchemy来创建和填充表。我想在元表和每个时间序列表之间建立关系来执行查询,例如“选择在日期A和日期B之间具有数据的所有位置”和“选择日期A的所有数据并导出带坐标的csv”。创建具有相同结构的许多表(仅名称不同)并与元表建立关系的最佳方法是什么?或者我应该使用不同的数据库设计?
目前我正在使用这种方法生成大量类似的映射:
from sqlalchemy import create_engine, MetaData
from sqlalchemy.types import Float, String, DateTime, Integer
from sqlalchemy import Column, ForeignKey
from sqlalchemy.ext.declarative import declarative_base
from sqlalchemy.orm import sessionmaker, relationship, backref
Base = declarative_base()
def make_timeseries(name):
class TimeSeries(Base):
__tablename__ = name
table_name = Column(String(50), ForeignKey('locations.table_name'))
datetime = Column(DateTime, primary_key=True)
value = Column(Float)
location = relationship('Location', backref=backref('timeseries',
lazy='dynamic'))
def __init__(self, table_name, datetime, value):
self.table_name = table_name
self.datetime = datetime
self.value = value
def __repr__(self):
return "{}: {}".format(self.datetime, self.value)
return TimeSeries
class Location(Base):
__tablename__ = 'locations'
id = Column(Integer, primary_key=True)
table_name = Column(String(50), unique=True)
lon = Column(Float)
lat = Column(Float)
if __name__ == '__main__':
connection_string = 'postgresql://user:pw@localhost/location_test'
engine = create_engine(connection_string)
metadata = MetaData(bind=engine)
Session = sessionmaker(bind=engine)
session = Session()
TS1 = make_timeseries('ts1')
# TS2 = make_timeseries('ts2') # this breaks because of the foreign key
Base.metadata.create_all(engine)
session.add(TS1("ts1", "2001-01-01", 999))
session.add(TS1("ts1", "2001-01-02", -555))
qs = session.query(Location).first()
print qs.timeseries.all()
这种方法存在一些问题,最值得注意的是,如果我创建多个TimeSeries
,则外键不起作用。以前我已经使用了一些工作,但这看起来像是一个大黑客,我觉得必须有一个更好的方法来做到这一点。我应该如何组织和访问我的数据?
答案 0 :(得分:12)
Alternative-1: Table Partitioning
Partitioning
。我不是DBA,并且没有太多的使用它的生产经验(在PostgreSQL上更是如此),但是
请阅读PostgreSQL - Partitioning
文档。表分区旨在解决您所遇到的问题,但超过1K的表/分区听起来很有挑战性;因此,请在论坛/ SO上进行更多关于此主题的可扩展性相关问题的研究。
鉴于您最常用的两个搜索标准datetime
组件非常重要,因此必须有可靠的索引策略。如果您决定使用 partitioning
root,则明显的分区策略将基于日期范围。与最新数据相比,这可能允许您将不同块中的旧数据分区,特别是假设旧数据(几乎从未)更新,因此物理布局将是密集且高效的;而你可以采用另一种策略来实现更多"最近"数据
Alternative-2: trick SQLAlchemy
这基本上使您的示例代码工作,通过欺骗SA来假设所有TimeSeries
children
是使用Concrete Table Inheritance
的一个实体的from datetime import date, datetime
from sqlalchemy import create_engine, Column, String, Integer, DateTime, Float, ForeignKey, func
from sqlalchemy.orm import sessionmaker, relationship, configure_mappers, joinedload
from sqlalchemy.ext.declarative import declarative_base, declared_attr
from sqlalchemy.ext.declarative import AbstractConcreteBase, ConcreteBase
engine = create_engine('sqlite:///:memory:', echo=True)
Session = sessionmaker(bind=engine)
session = Session()
Base = declarative_base(engine)
# MODEL
class Location(Base):
__tablename__ = 'locations'
id = Column(Integer, primary_key=True)
table_name = Column(String(50), unique=True)
lon = Column(Float)
lat = Column(Float)
class TSBase(AbstractConcreteBase, Base):
@declared_attr
def table_name(cls):
return Column(String(50), ForeignKey('locations.table_name'))
def make_timeseries(name):
class TimeSeries(TSBase):
__tablename__ = name
__mapper_args__ = { 'polymorphic_identity': name, 'concrete':True}
datetime = Column(DateTime, primary_key=True)
value = Column(Float)
def __init__(self, datetime, value, table_name=name ):
self.table_name = table_name
self.datetime = datetime
self.value = value
return TimeSeries
def _test_model():
_NUM = 50
# 0. generate classes for all tables
TS_list = [make_timeseries('ts{}'.format(1+i)) for i in range(_NUM)]
TS1, TS2, TS3 = TS_list[:3] # just to have some named ones
Base.metadata.create_all()
print('-'*80)
# 1. configure mappers
configure_mappers()
# 2. define relationship
Location.timeseries = relationship(TSBase, lazy="dynamic")
print('-'*80)
# 3. add some test data
session.add_all([Location(table_name='ts{}'.format(1+i), lat=5+i, lon=1+i*2)
for i in range(_NUM)])
session.commit()
print('-'*80)
session.add(TS1(datetime(2001,1,1,3), 999))
session.add(TS1(datetime(2001,1,2,2), 1))
session.add(TS2(datetime(2001,1,2,8), 33))
session.add(TS2(datetime(2002,1,2,18,50), -555))
session.add(TS3(datetime(2005,1,3,3,33), 8))
session.commit()
# Query-1: get all timeseries of one Location
#qs = session.query(Location).first()
qs = session.query(Location).filter(Location.table_name == "ts1").first()
print(qs)
print(qs.timeseries.all())
assert 2 == len(qs.timeseries.all())
print('-'*80)
# Query-2: select all location with data between date-A and date-B
dateA, dateB = date(2001,1,1), date(2003,12,31)
qs = (session.query(Location)
.join(TSBase, Location.timeseries)
.filter(TSBase.datetime >= dateA)
.filter(TSBase.datetime <= dateB)
).all()
print(qs)
assert 2 == len(qs)
print('-'*80)
# Query-3: select all data (including coordinates) for date A
dateA = date(2001,1,1)
qs = (session.query(Location.lat, Location.lon, TSBase.datetime, TSBase.value)
.join(TSBase, Location.timeseries)
.filter(func.date(TSBase.datetime) == dateA)
).all()
print(qs)
# @note: qs is list of tuples; easy export to CSV
assert 1 == len(qs)
print('-'*80)
if __name__ == '__main__':
_test_model()
。下面的代码是自包含的,并创建50个表,其中包含最少的数据。但是如果你已经拥有了一个数据库,它应该允许你相当快地检查性能,这样你就可以做出决定,如果它甚至是一个很接近的可能性。
Alternative-3: a-la BigData
Alternative-4: TimeSeries databases
如果您确实遇到使用数据库的性能问题,我可能会尝试:
MapReduce
-like分析。
我没有使用大规模的经验,但绝对值得考虑。
如果您以后可以分享您的调查结果和整个决策过程,那将会非常棒。
答案 1 :(得分:3)
我会避免上面提到的数据库设计。我对你正在使用的数据知之甚少,但听起来你应该有两张桌子。一个用于位置的表和一个用于location_data的子表。位置表将存储您在上面提到的数据,例如坐标和高程。 location_data表将存储位置表中的location_id以及您要跟踪的时间序列数据。
这将消除每次添加其他位置时更改的数据库结构和代码更改,并允许您正在查看的查询类型。
答案 2 :(得分:2)
两部分:
不需要有数十个或数百个相同的表。只需要一个location
的表和一个location_data
的表,其中每个条目都会fkey到位。还可以在location_id的location_data表上创建索引,以便您进行有效的搜索。
我喜欢sqlalchemy。我每天都使用它。它非常适合管理数据库和添加一些行,但您不希望将其用于具有数百万行的初始设置。你想要生成一个与postgres'“COPY”语句兼容的文件[http://www.postgresql.org/docs/9.2/static/sql-copy.html] COPY可以让你快速输入大量数据;它是转储/恢复操作期间使用的内容。
sqlalchemy非常适合查询和添加行。如果你有批量操作,你应该使用COPY。