类型

使用正确的类型对列进行编码（例如 BIGINT、DATE、DATETIME）非常重要。虽然总是可以使用字符串类型（VARCHAR 等）来编码更具体的值，但这并不推荐。字符串会占用更多空间，且在过滤、连接 (join) 和聚合等操作中处理速度较慢。

在加载 CSV 文件时，您可以利用 CSV 读取器的 自动检测机制 来获取 CSV 输入的正确类型。

如果您在内存受限的环境中运行，使用较小的数据类型（例如 TINYINT）可以减少完成查询所需的内存和磁盘空间。DuckDB 的 位压缩 (bitpacking compression) 意味着存储在较大类型中的小数值在磁盘上不会占用更大的空间，但在处理过程中它们会占用更多内存。

最佳实践：在创建列时，尽量使用最严格的类型。避免使用字符串来编码更具体的数据项。

微基准测试：使用时间戳

我们使用 规模因子 (scale factor) 为 300 的 LDBC Comment 表中的 creationDate 列 来展示聚合速度的差异。该表约有 5.54 亿个无序的时间戳值。我们运行一个简单的聚合查询，计算两种配置下时间戳中每月对应的平均日期。

首先，我们使用 DATETIME 对值进行编码，并使用 extract 日期时间函数 运行查询。

SELECT avg(extract('day' FROM creationDate)) FROM Comment;

其次，我们使用 VARCHAR 类型并使用字符串操作。

SELECT avg(CAST(creationDate[9:10] AS INTEGER)) FROM Comment;

微基准测试结果如下：

结果表明，使用 DATETIME 值可获得更小的存储空间和更快的处理速度。

微基准测试：基于字符串的连接

我们通过计算 规模因子为 100 的 LDBC Comment 表 的自连接，来说明不同类型对连接操作的影响。该表使用 64 位整数标识符作为每一行的 id 属性。我们执行以下连接操作：

SELECT count(*) AS count
FROM Comment c1
JOIN Comment c2 ON c1.ParentCommentId = c2.id;

在第一个实验中，我们使用正确的（最严格的）类型，即将 id 和 ParentCommentId 列都定义为 BIGINT。在第二个实验中，我们将所有列定义为 VARCHAR 类型。虽然两个实验的查询结果相同，但运行时间差异显著。以下结果显示，在 BIGINT 列上进行连接的速度比在编码相同值的 VARCHAR 类型列上进行相同连接的速度快约 1.8 倍。

最佳实践：避免将数值表示为字符串，特别是当您打算对其执行连接操作时。

约束

DuckDB 允许定义 约束 (constraints)，如 UNIQUE、PRIMARY KEY 和 FOREIGN KEY。这些约束有助于确保数据完整性，但会对加载性能产生负面影响，因为它们需要构建索引并执行检查。此外，它们 极少能提高查询性能，因为 DuckDB 在进行连接和聚合操作时并不依赖这些索引（有关详细信息，请参阅 索引）。

最佳实践：除非您的目标是确保数据完整性，否则请勿定义约束。

微基准测试：主键的影响

我们使用 规模因子为 300 的 LDBC Comment 表 来展示使用主键的效果。该表约有 5.54 亿条条目。在第一个实验中，我们创建 带有 主键的模式，然后加载数据。在第二个实验中，我们创建 不带 主键的模式，然后加载数据。在第三个实验中，我们创建 不带 主键的模式，加载数据，然后添加主键约束。在所有情况下，我们都从 .csv.gz 文件中提取数据，并测量执行加载所需的时间。

对于此数据集，主键仅在高度选择性的查询（例如根据单个标识符进行过滤）上会有（微小的）正面影响。定义主键（或索引）不会对连接和聚合算子产生影响。

最佳实践：为了获得最佳批量加载性能，请避免使用主键约束。如果确实需要，请在批量加载完成后再定义它们。