批量UPDATE后必须手动更新统计信息，否则查询计划会因基数估计错误而走错索引；SQL Server用UPDATE STATISTICS，PostgreSQL用ANALYZE，MySQL需ANALYZE TABLE，且不可依赖重建索引替代。
UPDATE 后统计信息没更新，查询计划还是走错路
SQL Server 和 PostgreSQL 都会在批量 UPDATE 后“假装”数据分布没变，尤其是当修改行数超过阈值（SQL Server 默认是 20% + 500 行，PostgreSQL 是 autovacuum_analyze_scale_factor 控制）但自动分析没触发时。结果就是执行计划缓存了旧的基数估计，WHERE 条件走错索引，甚至全表扫描。
实操建议：
- SQL Server：立刻跑
UPDATE STATISTICS，别等自动更新——尤其在 ETL 脚本末尾加一句UPDATE STATISTICS dbo.TableName WITH FULLSCAN；如果表大，用SAMPLE 30 PERCENT平衡速度和精度 - PostgreSQL：手动触发
ANALYZE TableName；若刚做完百万级更新，加ANALYZE TableName (col1, col2)指定关键列，比全表快且更准 - MySQL（InnoDB）：没有自动统计更新延迟问题，但
UPDATE不会刷新information_schema.STATISTICS中的 Cardinality；需显式执行ANALYZE TABLE TableName
重建索引 vs 更新统计信息，别混成一件事
重建索引（ALTER INDEX ... REBUILD 或 REINDEX）会顺带更新统计信息，但代价高、锁表久；而单纯更新统计信息（UPDATE STATISTICS / ANALYZE）毫秒级、几乎无锁。很多人图省事 rebuild 一把梭，结果阻塞业务写入十几分钟。
实操建议：
- 只改了数据内容、没动索引结构？跳过重建，直接更新统计信息
- 索引碎片率
> 30%（查sys.dm_db_index_physical_stats）且同时要更新统计？再考虑 rebuild - PostgreSQL 中
VACUUM ANALYZE比单独ANALYZE多做清理，但耗时翻倍；日常批量更新后，ANALYZE足够
WHERE 条件列没统计信息，优化器直接“瞎猜”
默认统计信息只建在索引键列或 CREATE STATISTICS 显式指定的列上。如果 UPDATE 后常按 status = 'processed' 查询，但 status 不在任何索引里，SQL Server/PG 就不会为它维护直方图，优化器只能按均匀分布估算——导致本该走索引的查询被判定为“查太多”，弃用索引。
实操建议：
- SQL Server：用
CREATE STATISTICS stat_status ON TableName (status)补单列统计；避免用WITH FULLSCAN，采样即可 - PostgreSQL：不需要手动建统计对象，但确保
ANALYZE时包含该列——ANALYZE TableName (status) - MySQL：对高频过滤列建单列索引（哪怕不用于 JOIN），因为 InnoDB 的统计依赖索引存在
自动化脚本里漏掉统计信息更新，上线就慢
很多 DBA 在部署脚本里写了 UPDATE、写了 REINDEX，却忘了最后一行 ANALYZE 或 UPDATE STATISTICS。结果凌晨跑完批量任务，早上第一波查询就超时——不是 SQL 写得差，是优化器根本不知道数据已经变了。
实操建议：
- 把统计信息更新写进同一事务批次：SQL Server 示例：
UPDATE dbo.Orders SET status = 'shipped' WHERE created_date < '2024-01-01';<br>UPDATE STATISTICS dbo.Orders (status);
- PostgreSQL 批处理中，
ANALYZE必须在COMMIT后执行（否则看不到新数据） - 监控项加一条：检查最近 1 小时内是否有大更新但无对应
ANALYZE记录（查pg_stat_all_tables的last_analyze）
统计信息不是“设一次就永远有效”的配置，它是优化器做决策的实时依据。批量更新后不碰它，等于告诉数据库：“你按三个月前的数据来猜现在的情况”。
