构建Cassandra表以进行高速查询

问题描述

我们正在考虑使用Cassandra存储用于临床试验的数据。数据本质上是氧饱和度和呼吸速率（以及其他一些东西）。我们还需要存储患者标识符，访问代码和设施代码。我们希望只需要按唯一的患者/访问来检索数据。但是，每个患者可以拥有500,000多个记录。可能有1000名患者，也许有100家设施。我的问题与表的设计有关，以确保快速检索数据：

Create table OxygenSats
    (
        facility int,visit text,pat_id text,probe_id text
        event timestamp,oxygen float,resp int,Primary key((facility,visit),pat_id)
    );

据此，我认为数据将基于pat_id进行群集，并根据（设施，访问）进行分区。这个对吗？读取速度非常重要。我们将需要按患者（基本上是设施，探视，患者）进行选择，并按日期进行过滤。

这是针对我们正在处理的数据类型的最佳方法吗？任何指导/建议表示赞赏。

我们需要的查询相当简单-我们只需要选择一个患者的所有数据（按日​​期过滤也是有用的）：

select oxygen,resp from OxygenSats where facility = '1',and visit = '1' and pat_id = '22'

解决方法

您的想法是正确的，因为它在（设施，访问）的组合键上进行了分区，并在pat_id上进行了群集。访视的唯一性很关键，但未指定，目前我们无法确定每次患者访视是否是全球唯一的。有关选择查询的更多详细信息也将很有用，它们将包括范围查询还是仅点查询？

一旦您能做的就是使用NoSQLBench Github Repo和Docs对它进行基准测试-这将使您在使用之前对性能有所了解。

建议的分区大小上限为100 Mb，因此您可以围绕数据大小和每个分区的记录数进行一些计算，以确定密钥是否会引起分区大小问题。