M3 · SQL ile Veri Sorgulama
Sorgu Okunabilirliği ve Performans Temelleri
Neden bu konu?
Ekipler sorguları bir kez yazıp yüzlerce kez okur, devralır ve değiştirir; okunmaz bir sorguda JOIN anahtarı veya filtre kapsamı hatası rapora sızabilir. BigQuery sütun bazlı depolama kullandığı için gereksiz kolonlar fazladan veri okutur; bu, on-demand modelde işlenen bayt ve maliyeti, capacity modelinde ise I/O ve slot kullanımını etkileyebilir. Okunabilirlik ile ölçüm disiplinini birlikte kurmayan analist, hem denetlenmesi zor hem kaynak tüketimi belirsiz sorgular üretir.
Benzetme: kavramın günlük karşılığı
İyi bir sorgu, düzenli bir üretim bandı gibidir: her istasyon (CTE) tek bir iş yapar, her kutunun üstünde etiket (anlamlı alias ve grain notu) vardır ve banda yalnız o üründe gerçekten kullanılacak parçalar (gereken kolonlar) konur. Bandın hızını tahminle değil, istasyon çıkışındaki sayaçla (işlenen veri ve satır sayısı) ölçersin; dağınık bir bantta ise hatayı ancak müşteri şikâyet edince görürsün.
Bu işin sırrı: kalıplar
- Açık kolon listesi: SELECT * yerine yalnız kullanacağın kolonları yaz; örn. SELECT word, word_count FROM `bigquery-public-data.samples.shakespeare` — sütun bazlı depoda taranan veri kullanılan kolonlarla sınırlanır.
- CTE başına grain notu: her katmanın üstüne bir satırın neyi temsil ettiğini yaz; örn. `-- grain: corpus başına 1 satır` yorumu, GROUP BY corpus yapan CTE'nin sözleşmesini görünür kılar.
+ 3 kalıp daha tam derste
İlk uygulama adımı
1. Kötü sorguyu açık kolon listesine çevir
BigQuery'de SELECT * FROM `bigquery-public-data.samples.shakespeare` sorgusunu çalıştırmadan query validator veya dry run ile tahmini işlenecek veriyi not et. Sonra yalnız word ve word_count kolonlarını seçen sürümün tahminini al. Tahmin bir üst sınırdır; küçük tabloda faturalama minimumları nedeniyle ücret farkı aynı görünebilir, bu yüzden ekranda gördüğün değeri olduğu gibi kaydet.
Kontrol noktası: İki tahmini uydurmadan yan yana yazdın; açık kolon seçiminin okunan kolonları azalttığını ve on-demand maliyet yorumunun gerçek tahmin ile faturalama modeline bağlı olduğunu açıklayabiliyorsun.
+ 4 adım daha tam derste
Dersin devamı erken erişimde
Tam derste seni bekleyenler: 5 kontrol noktalı uygulama adımı, gerçek dünya kullanımı (analist + scientist + AI perspektifi), 4 yaygın tuzak, mülakat sorusu ve model cevabı, 4 soruluk quiz, 7 tekrar kartı ve NovaCommerce proje görevi.