Tengo una aplicación (los datos se almacenan en PostgreSQL), donde la mayoría de los campos en las tablas no siempre son nulos, pero el esquema para estas tablas no impone esto. Por ejemplo, mira esta tabla falsa:

CREATE TABLE "tbl" (
    "id" serial,
    "name" varchar(40),
    "num" int,
    "time" timestamp
    PRIMARY KEY ("id"),
    UNIQUE ("id")
);

También name, num, timeNo se indican explícitamente como NOT NULL, en realidad son, debido a la aplicación ocurre en el lado de la aplicación.

Mi sensación es que debería cambiarse, pero el contrapunto es que el nivel de aplicación se asegura de que los valores nulos no puedan aparecer aquí y nadie más modifique manualmente la tabla.

Mi pregunta es : ¿Cuáles son los beneficios (rendimiento, almacenamiento, consistencia, algo más) e inconvenientes (suponiendo que ya verifiqué que no hay nulos presentes en este momento, y de la lógica de negocios no debería haber nulos) estableciendo un NOT NULLrestricción explícita ?

Tenemos un buen proceso de revisión de código y una documentación razonablemente buena, por lo que la posibilidad de que alguna persona nueva cometa algo que rompa esta restricción no es realmente suficiente para justificar el cambio.

Esta no es mi decisión, así que es exactamente por eso que estoy buscando otras justificaciones. En mi opinión, si algo no puede ser nulo y una base de datos le permite especificar que algo no es nulo, entonces simplemente hágalo. Especialmente si el cambio es super simple.

¿Qué sucede cuando llega un nuevo programador y tiene que escribir una aplicación contra esa base de datos? No saben que ese campo x tiene que ser NOT NULL.

Otro programa podría suponer que todos los campos x son NOT NULLpara realizar recuentos, pero algunos ahora se deben NULLal nuevo programa, lo que lleva a errores inconsistentes y difíciles de rastrear.

En mi humilde opinión, siempre es mejor hacer cumplir las reglas de integridad de datos lo más cerca posible de los datos, es decir, en la base de datos. De esa manera, las nuevas aplicaciones y / o programadores no pueden arruinar sus datos.

Programadores, aplicaciones, lenguajes y frameworks van y vienen. Los datos y las bases de datos tienden a persistir. La base de datos es su última línea de defensa contra datos inconsistentes y potencialmente erróneos.

Aproveche al máximo los mecanismos de aplicación de restricciones de integridad de su base de datos, incluso a expensas del rendimiento. ¡Un sistema lento que produce resultados correctos es infinitamente superior a uno rápido que hace las cosas mal!

Como ya mencionaron otros en los comentarios, agregar NOT NULLa la especificación de su tabla puede mejorar en un manera significativa el rendimiento de sus consultas (además de las muy buenas razones metodológicas establecidas en otra respuesta).

La razón es que el optimizador de consultas, sabiendo que una columna no puede tener un NULLvalor, puede excluir pruebas especiales para tales valores, como en el caso NOT INvs. NOT EXISTSPuede ver, por ejemplo, este blog , donde se muestra que no declarar un campo NOT NULL(cuando la tabla contiene siempre valores no nulos) con una consulta determinada aumenta el tiempo de ejecución en un 500%. El resultado se muestra para SQL Server, pero un comportamiento similar podría estar presente en otros DBMS relacionales, como el suyo (sin mencionar el hecho de que su base de datos podría ser portada a otros sistemas). Una regla general que puede asumir es que cuando hay más información disponible para el optimizador de consultas, se pueden generar planes de acceso más eficientes.

Implicaciones espaciales

Las implicaciones espaciales se habla en este post por @Erwin Brandstetter

En resumen, guardará un totalColumns - 8bit redondeado al byte más cercano (o MAXALIGN), si su base de datos tiene

1. Más de 8 columnas
2. TODAS las columnas de la tabla sonNOT NULL

Implicaciones de rendimiento

Sin embargo, en esta publicación en SE de @Erwin Brandstetter , dice

1. "La configuración NOT NULL no tiene efecto per se en el rendimiento. Unos pocos ciclos para la comprobación, irrelevante".
2. "... al utilizar NULL en lugar de valores ficticios. Dependiendo de los tipos de datos, puede ahorrar mucho espacio en disco y RAM, acelerando así ... todo".

@Renzo tiene una respuesta que habla sobre las implicaciones de rendimiento: supongo que nada de eso es aplicable a PostgreSQL . No puedo encontrar nada que corrobore nada de eso como relevante para PostgreSQL. Los ciclos que se guardan no se pueden cuantificar ni siquiera en la consulta más rudimentaria.

CREATE TABLE foo (
  a int,
  b int NOT NULL,
  x float,
  y float NOT NULL
);

INSERT INTO foo ( a, b, x, y )
SELECT x, x, x, x
FROM generate_series(1,1E7) AS X(x);

EXPLAIN ANALYZE SELECT 1/a FROM foo;
EXPLAIN ANALYZE SELECT 1/b FROM foo;
EXPLAIN ANALYZE SELECT 1/x FROM foo;
EXPLAIN ANALYZE SELECT 1/y FROM foo;

Además, realicé algunas pruebas para ver si los índices NULL eran cada vez más rápidos, y no pude comprobarlo. Puede encontrar este hilo increíblemente útil de Scott Marlowe en las listas de correo que habla sobre el planificador de consultas en 9.1 que puede usar el índice parcial en cláusulas WHERE diferentes. Probé esto ejecutando lo siguiente

CREATE TABLE foo ( a int );
CREATE TABLE bar ( a int NOT NULL );
INSERT INTO foo
  SELECT null FROM generate_series(1,1e5) AS x
  UNION ALL
  SELECT 10
  UNION ALL
  SELECT null FROM generate_series(1,1e5) AS x
;
INSERT INTO bar
  SELECT 0 FROM generate_series(1,1e5) AS x
  UNION ALL
  SELECT 10
  UNION ALL
  SELECT 0 FROM generate_series(1,1e5) AS x
;

Ahora creé los índices,

CREATE INDEX foobar ON foo(a) WHERE a IS NOT NULL;
CREATE INDEX barbar ON bar(a) WHERE a <> 0;

En ambos casos, el planificador pudo usar el índice cuando seleccionó = 10y usó una exploración secuencial al buscar NULL o 0 respectivamente. Ambos índices parciales eran del mismo tamaño. Y, los índices completos (no mostrados) eran del mismo tamaño. Siguiendo la misma metodología, cargué la tabla con una secuencia de 1..1e5, y un valor nulo / 0, y otra secuencia de 1..1e5. Ambos métodos pudieron encontrar el nulo / 0 con un índice que cubre toda la tabla.

TLDR; Resumen

No puedo corroborar nada de una forma u otra en la mayoría de las preocupaciones de rendimiento que pensé que valía la pena probar para incluir las deficiencias del planificador. El beneficio de usar null para salvar ram es real. El espacio en disco ahorrado al no usar nulo es insignificante, y eso es una exageración en las tablas con una NULLABLEcolumna, o menos de 8 columnas. En esos casos no hay espacio en disco guardado.