Amazon Redshift non supporterà più la creazione di nuove UDF Python a partire dal 1º novembre 2025. Se desideri utilizzare le UDF Python, creale prima di tale data. Le UDF Python esistenti continueranno a funzionare normalmente. Per ulteriori informazioni, consulta il post del blog
Tipo di dati SUPER e viste materializzate
Con Amazon Redshift puoi utilizzare le viste materializzate per migliorare le prestazioni e la flessibilità delle query eseguite sul tipo di dati SUPER. Il tipo di dati SUPER consente di archiviare un superset di colonne dalle tabelle di base in una vista materializzata, permettendoti di eseguire query direttamente sulla vista materializzata senza effettuare il join delle tabelle di base. Nelle sezioni seguenti viene illustrato come creare e utilizzare le viste materializzate con il tipo di dati SUPER in Amazon Redshift.
Amazon Redshift supporta le viste materializzate che incorporano le colonne del tipo di dati SUPER e le query PartiQL. Le viste materializzate possono essere aggiornate in modo incrementale, mentre Amazon Redshift aggiorna solo i dati che sono cambiati nelle tabelle di base dall’ultima operazione di aggiornamento. Questo approccio di aggiornamento selettivo rende il processo di aggiornamento più efficiente rispetto ai ricalcoli completi. Per ulteriori informazioni sulle viste materializzate, consultare Viste materializzate in Amazon Redshift.
Accelerazione delle query PartiQL
È possibile utilizzare le viste materializzate per accelerare le query PartiQL che spostano e/o annullano la nidificazione di dati gerarchici nelle colonne SUPER. Creando una o più viste materializzate per suddividere i valori SUPER in più colonne e utilizzare l’organizzazione a colonne delle query analitiche di Amazon Redshift, puoi essenzialmente estrarre e normalizzare i dati annidati. Il livello di normalizzazione dipende da quanto sforzo si fa per trasformare i dati SUPER in dati colonnari convenzionali.
Gli argomenti seguenti mostrano esempi di suddivisione di dati complessi in colonne più piccole, nonché esempi di creazione di colonne scalari a partire da dati suddivisi per migliorare le prestazioni.