count(*)统计所有匹配行且性能最优，count(列名)仅统计非null值，count(distinct 列名)去重计数但开销大；where条件需建索引、避免函数、高区分度条件前置；大数据量宜用缓存、分区或计数表优化。
直接用 COUNT() 配合 WHERE 子句就能快速统计满足条件的记录总数，关键在于写对条件、选对语法、避开常见性能陷阱。
明确统计目标：用对 COUNT() 形式
不同写法语义和性能差异明显：
-
COUNT(*)：统计所有匹配
WHERE条件的行数（包括含 NULL 值的列），性能最优，推荐作为默认选择 -
COUNT(列名)：只统计该列值不为 NULL 的行数，适合“某字段有值”的业务场景，但会多一次 NULL 判断，略慢于
COUNT(*) - COUNT(DISTINCT 列名)：统计去重后的数量，适用于查唯一值个数（如不同城市数），但开销较大，慎用于大表
让 WHERE 条件高效执行
条件写法直接影响是否能走索引：
- 在经常用于筛选的字段（如
status、created_at、user_id）上建立普通索引或联合索引 - 避免在条件列上使用函数，例如把
WHERE YEAR(created_at) = 2025改成WHERE created_at BETWEEN '2025-01-01' AND '2025-12-31' - 多个条件优先用
AND，合理组合顺序——把区分度高（过滤后剩余行少）的条件放前面 - 用
IN替代多个=，用BETWEEN替代两个>=和
大数据量下的实用优化策略
当表超百万行、COUNT 查询明显变慢时，可结合业务接受度选用：
- 对高频、低频变化的统计（如“今日新增用户数”），用定时任务写入汇总表或 Redis 缓存，查询时直取结果
- 允许近似值的场景（如后台监控大盘），可用
EXPLAIN SELECT ...查看优化器预估行数，避免真实扫描 - 超大表且条件固定（如按月份统计），考虑按时间分区，让 COUNT 只扫相关分区
- InnoDB 引擎下，无
WHERE的全表COUNT(*)无法像 MyISAM 那样秒出，此时建议建轻量级计数表，由写操作同步维护
别忽略编程层的等效替代
如果数据已加载到应用内存中，用数据库 COUNT 反而绕路：
- Python 中用
len([x for x in data if x.status == 'active'])或sum(1 for x in data if ...) - Java Stream 中用
list.stream().filter(...).count() - 注意：这类方式只适用于小批量数据；大数据仍应交由数据库完成，避免网络和内存压力
