从补丁 198 开始，Amazon Redshift 将不再支持创建新的 Python UDF。现有的 Python UDF 将继续正常运行至 2026 年 6 月 30 日。有关更多信息，请参阅[博客文章](https://www.amazonaws.cn/blogs/big-data/amazon-redshift-python-user-defined-functions-will-reach-end-of-support-after-june-30-2026/)。

# SUPER 数据类型和实体化视图
<a name="r_SUPER_MV"></a>

通过 Amazon Redshift，可以使用实体化视图来增强针对 SUPER 数据类型运行的查询的性能和灵活性。通过 SUPER 数据类型，可以在实体化视图中存储基表中列的超集，这样就可以直接查询实体化视图，而无需联接基表。以下各节将向您介绍如何在 Amazon Redshift 中使用 SUPER 数据类型创建和使用实体化视图。

Amazon Redshift 支持包含 SUPER 数据类型列和 PartiQL 查询的实体化视图。实体化视图可以递增刷新，而 Amazon Redshift 仅更新自上次刷新操作以来基表中发生更改的数据。这种选择性更新方法使刷新过程比完全重新计算更高效。有关实体化视图的更多信息，请参阅[Amazon Redshift 中的实体化视图](materialized-view-overview.md)。

## 加快 PartiQL 查询
<a name="r_accelerate_mv"></a>

您可以使用实体化视图加快在 SUPER 列中导航和/或取消嵌套分层数据的 PartiQL 查询。通过创建一个或多个实体化视图来将 SUPER 值分解为多个列，并利用 Amazon Redshift 分析查询的列式组织，您基本上可以提取和规范化嵌套数据。标准化程度取决于您在将 SUPER 数据转换为传统的柱状数据方面投入了多少精力。

以下主题展示了将复杂的数据分解或粉碎为较小列的示例，以及从分解的数据中创建标量列以提高性能的示例。

**Topics**
+ [加快 PartiQL 查询](#r_accelerate_mv)
+ [使用实体化视图将半结构化数据分解成 SUPER 列](r_shred_super.md)
+ [使用分解数据创建 Amazon Redshift 标量列](r_create_scalar.md)