Estadísticas del planificador en PostgreSQL: objetivos de estadísticas, columnas correlacionadas y estimaciones erróneas

Qué es

La documentación describe las entradas del planificador: reltuples y relpages en pg_class para el tamaño de la tabla, y pg_statistic (legible a través de la vista pg_stats) con los valores más comunes de cada columna y sus frecuencias, un histograma de los valores restantes, la fracción de nulos y el número de valores distintos. ANALYZE, ya sea manual o mediante autovacuum, muestrea la tabla para rellenar estos datos. El número de entradas de valores más comunes e histograma por columna está acotado por default_statistics_target (100 por defecto) o por un ALTER TABLE ... ALTER COLUMN ... SET STATISTICS por columna. Para varias condiciones en una misma cláusula WHERE, el planificador multiplica las selectividades, lo que la documentación indica que asume que las condiciones son independientes.

Por qué importa

Un plan se elige a partir de estimaciones, no de datos. Cuando una estimación se equivoca en órdenes de magnitud, el planificador elige un nested loop donde se necesitaba un hash join, o un index scan que toca la mitad de la tabla, y la consulta es lenta aunque existan todos los índices. EXPLAIN ANALYZE muestra el desajuste como filas estimadas frente a filas reales en el nodo donde comienza.

Cómo aplicarlo

• Comprobar primero la actualidad: last_analyze y last_autoanalyze en pg_stat_user_tables. Una tabla recién cargada en masa a menudo no tiene estadísticas en absoluto.
• Para una columna sesgada (códigos de estado, unos pocos inquilinos enormes entre muchos pequeños) cuya estimación es errónea para los valores poco frecuentes, aumentar el objetivo solo en esa columna, por ejemplo SET STATISTICS 1000, y luego ANALYZE; la documentación indica el coste como más espacio en pg_statistic y un tiempo de planificación ligeramente mayor.
• Para condiciones sobre columnas correlacionadas (ciudad y código postal, fecha de pedido y fecha de envío) crear estadísticas extendidas: CREATE STATISTICS s (dependencies, ndistinct, mcv) ON a, b FROM t, y luego ANALYZE. Las dependencias funcionales solo se aplican a condiciones de igualdad y a listas IN con constantes, las listas mcv capturan combinaciones comunes, y ndistinct mejora las estimaciones de GROUP BY.
• Para un filtro sobre una expresión (lower(email), date_trunc('day', ts)) crear estadísticas de expresión con CREATE STATISTICS ON (expr) FROM t, que la documentación describe como beneficios similares a un índice de expresión sin la sobrecarga del mantenimiento del índice.
• Volver a ejecutar EXPLAIN ANALYZE después de cada cambio y conservarlo solo si las estimaciones se acercaron a los valores reales.

Trampas

Aumentar default_statistics_target globalmente cuesta espacio en pg_statistic y tiempo de estimación en cada columna para poca ganancia; dirigirlo a las columnas que lo necesitan. pg_upgrade transfiere la mayoría de las estadísticas solo a partir de PostgreSQL 18, y nunca las extendidas, por lo que una actualización necesita un ANALYZE nuevo. Una sentencia preparada puede ejecutar un plan genérico cuyas estimaciones ignoran el valor real del parámetro. Una muestra no puede seguir una distribución que cambia hora a hora.