为什么基于列的数据库更容易压缩？
Why column-based data bases are easier to compress?
基于行的数据库类似于：
001:10,Smith,Joe,40000;
002:12,Jones,Mary,50000;
003:11,Johnson,Cathy,44000;
004:22,Jones,Bob,55000;
基于列的数据库类似于：
10:001,12:002,11:003,22:004;
Smith:001,Jones:002,Johnson:003,Jones:004;
Joe:001,Mary:002,Cathy:003,Bob:004;
40000:001,50000:002,44000:003,55000:004;
为什么像 RedShift 这样的服务声称能够更好地压缩数据？或者更一般地说，为什么基于列的数据库似乎支持压缩？看来这两种格式都可以轻松压缩。
几乎所有的压缩算法都利用了一些数据重复的事实，因此可以进行压缩：
在基于行的存储中：每条记录都包含不同的数据类型，因此很少出现重复
在基于列的存储中：每条记录都包含相同类型的值，并且通常包含重复项
您的示例数据：
基于行的数据库中的所有行都是不同的，无法去重
列 - 至少姓氏有 Jones 2 次，因此压缩算法可以存储一次，并在第二次出现时提供一些参考（较小的），而不是存储 2 次
基于行的数据库类似于：
001:10,Smith,Joe,40000;
002:12,Jones,Mary,50000;
003:11,Johnson,Cathy,44000;
004:22,Jones,Bob,55000;
基于列的数据库类似于：
10:001,12:002,11:003,22:004;
Smith:001,Jones:002,Johnson:003,Jones:004;
Joe:001,Mary:002,Cathy:003,Bob:004;
40000:001,50000:002,44000:003,55000:004;
为什么像 RedShift 这样的服务声称能够更好地压缩数据？或者更一般地说，为什么基于列的数据库似乎支持压缩？看来这两种格式都可以轻松压缩。
几乎所有的压缩算法都利用了一些数据重复的事实，因此可以进行压缩：
在基于行的存储中：每条记录都包含不同的数据类型，因此很少出现重复
在基于列的存储中：每条记录都包含相同类型的值，并且通常包含重复项
您的示例数据：
基于行的数据库中的所有行都是不同的，无法去重
列 - 至少姓氏有 Jones 2 次，因此压缩算法可以存储一次，并在第二次出现时提供一些参考（较小的），而不是存储 2 次