Hướng dẫn đầy đủ về các hàm do người dùng định nghĩa trong lập trình và cơ sở dữ liệu

Cập nhật lần cuối: 17 de noviembre de 2026
  • Chúng cho phép bạn đóng gói các logic phức tạp và lặp đi lặp lại vào các khối có thể tái sử dụng để tối ưu hóa việc bảo trì mã.
  • Có nhiều cách triển khai khác nhau tùy thuộc vào môi trường, từ các hàm vô hướng và hàm bảng trong SQL đến các hàm tạo và hàm lambda trong Python.
  • Việc sử dụng nó giúp cải thiện hiệu suất đáng kể bằng cách giảm lưu lượng mạng và tận dụng bộ nhớ đệm thực thi trong các hệ thống cơ sở dữ liệu.

Ảnh cận cảnh macro các dòng mã lập trình với cú pháp được tô sáng nhiều màu trên nền tối, thể hiện sự phân chia mã thành các module và các hàm do người dùng định nghĩa.

Khi bước vào thế giới lập trình, dù là viết mã bằng Python hay quản lý dữ liệu bằng SQL, sẽ có lúc chúng ta nhận ra mình đang viết đi viết lại cùng một thứ. Đây là lúc các hàm do người dùng định nghĩa (UDF) phát huy tác dụng. Chúng đơn giản là những công cụ cho phép chúng ta đóng gói một đoạn logic, đặt tên cho nó và gọi nó bất cứ khi nào cần mà không cần phải viết lại toàn bộ quy trình.

Về cơ bản, chúng hoạt động như một cỗ máy nhỏ: bạn cung cấp dữ liệu đầu vào, hàm sẽ tự động thực hiện các thao tác bên trong và trả về kết quả. Khả năng phân chia mã thành các module này là điều tạo nên sự khác biệt giữa một lập trình viên mới vào nghề và một người biết cách mở rộng quy mô dự án, vì nó giúp việc sửa lỗi dễ dàng hơn rất nhiều và làm cho hệ thống trở nên gọn gàng và chuyên nghiệp hơn.

Hệ sinh thái các chức năng trong SQL Server và Azure

Tủ rack máy chủ hiện đại với ánh sáng xanh lam trong trung tâm dữ liệu, minh họa cơ sở hạ tầng công nghệ nơi SQL Server và các hàm Azure hoạt động.

Trong môi trường Microsoft SQL Server, các hàm do người dùng định nghĩa (UDF) là các thủ tục chấp nhận tham số và trả về một giá trị, có thể là một phần dữ liệu đơn lẻ hoặc toàn bộ bảng. Một trong những ưu điểm chính của chúng là lập trình theo mô-đun , vì bạn có thể sửa đổi hàm mà không cần thay đổi chương trình chính. Hơn nữa, chúng giúp tăng tốc độ thực thi, vì việc lưu trữ kế hoạch thực thi trong bộ nhớ cache giúp giảm chi phí biên dịch.

Trong SQL, chúng ta tìm thấy các loại hàm khác nhau. Hàm vô hướng trả về một giá trị duy nhất và có thể là hàm nội tuyến hoặc hàm đa câu lệnh. Mặt khác, hàm giá trị bảng (TVF) trả về một tập hợp dữ liệu; hàm chèn là những hàm không có thân hàm và dựa trên câu lệnh SELECT. Điều quan trọng là không được nhầm lẫn chúng với các hàm hệ thống, là các hàm tích hợp sẵn và không thể sửa đổi.

  Các kiểu dữ liệu MySQL: Tính năng và ví dụ

Cần lưu ý đến các tác dụng phụ ; một hàm SQL không thể thay đổi trạng thái của tài nguyên bên ngoài, chẳng hạn như sửa đổi bảng cơ sở dữ liệu hoặc gửi email. Nó chỉ có thể thay đổi các biến cục bộ. Hơn nữa, để cải thiện hiệu suất, nên sử dụng Schema Binding trong các hàm xác định, điều này liên kết hàm với lược đồ của các đối tượng mà nó sử dụng.

Tăng cường sức mạnh cho BigQuery bằng Python và Vectorization

Kỹ sư phần mềm làm việc với máy tính xách tay trước các dàn máy chủ trong môi trường doanh nghiệp hiện đại, đại diện cho việc quản lý vai trò và quyền hạn trên nền tảng đám mây.

Trong môi trường BigQuery, các hàm do người dùng định nghĩa (UDF) của Python cho phép bạn đưa sức mạnh của ngôn ngữ này trực tiếp vào các truy vấn SQL. Điều này đặc biệt hữu ích vì bạn có thể nhập các thư viện của bên thứ ba từ PyPI hoặc các tệp được lưu trữ trong Cloud Storage, cho phép phân tích sâu hơn nhiều so với SQL thuần túy.

Điểm mấu chốt ở đây là việc xử lý dữ liệu theo kiểu vector . Thay vì xử lý từng hàng một, điều này có thể rất chậm, bạn có thể sử dụng DataFrame của pandas để xử lý hàng loạt dữ liệu. Điều này được thực hiện bằng cách thiết lập tham số ` max_batching_rows` , giúp cải thiện đáng kể hiệu suất truy vấn bằng cách xử lý dữ liệu theo lô.

Để các chức năng này hoạt động chính xác, cần phải quản lý vai trò IAM một cách chính xác. Người tạo chức năng cần có quyền chỉnh sửa dữ liệu, trong khi người gọi chức năng cần có quyền người dùng BigQuery. Ngoài ra, nếu chức năng cần truy cập internet để truy vấn dịch vụ bên ngoài, việc cấu hình kết nối tài nguyên đám mây là bắt buộc.

Tính linh hoạt của Python: từ Lambda đến Generator

Máy tính xách tay hiển thị bảng điều khiển phân tích dữ liệu với biểu đồ và bản đồ, lý tưởng để minh họa sức mạnh của các hàm vector hóa trong BigQuery.

Trong Python thuần túy, việc định nghĩa một hàm rất đơn giản nhờ từ khóa `def` . Chúng ta có thể truyền các tham số cố định, giá trị mặc định, hoặc thậm chí là một số lượng đối số tùy ý bằng cách sử dụng dấu sao (`*args` và `**kwargs`). Điều này mang lại sự linh hoạt đáng kinh ngạc để tạo ra các công cụ thích ứng với bất kỳ dữ liệu đầu vào nào.

Ngoài ra còn có các hàm ẩn danh hoặc hàm lambda , lý tưởng cho các tác vụ nhanh và ngắn không yêu cầu tên chính thức. Nhưng khi nói đến hiệu quả bộ nhớ, generator là lựa chọn hàng đầu. Không giống như một hàm thông thường trả về toàn bộ kết quả cùng một lúc bằng `return`, generator sử dụng `yield` để trả về các giá trị dần dần, cho phép nó xử lý các chuỗi vô hạn mà không làm quá tải RAM của máy tính.

  Trình soạn thảo WYSIWYG: Cách chọn trình soạn thảo tốt nhất

Logic có thể tái sử dụng với DAX trong Power BI

Bảng điều khiển Business Intelligence trên màn hình máy tính xách tay đặt trên bàn trắng, thể hiện tính nhất quán của các phép tính kinh doanh trong Power BI bằng DAX.

Trong thế giới phân tích dữ liệu với Power BI, các hàm do người dùng định nghĩa (UDF) trong DAX giúp tránh tình trạng logic nghiệp vụ bị phân tán trên hàng nghìn chỉ số khác nhau. Bằng cách chỉ định nghĩa một hàm một lần, tính nhất quán của các phép tính được đảm bảo trong toàn bộ mô hình ngữ nghĩa, giúp dễ dàng áp dụng bất kỳ thay đổi nào đối với quy tắc nghiệp vụ trên toàn cầu bằng cách cập nhật một điểm duy nhất.

Các hàm này hỗ trợ gợi ý kiểu dữ liệu (như NUMERIC hoặc STRING) và các chế độ truyền tham số, cho cả đánh giá tức thời hoặc đánh giá trì hoãn. Điều này làm cho mã nguồn mạnh mẽ hơn và ít lỗi hơn , vì hệ thống có thể xác thực xem dữ liệu được truyền vào có chính xác hay không trước khi cố gắng thực hiện thao tác.

Khả năng tích hợp tất cả logic này vào mô hình cho phép các hàm trở thành các đối tượng hạng nhất , hiển thị trong trình khám phá mô hình và có thể sử dụng được trong cả cột tính toán, số liệu hoặc các yếu tố trực quan, tối ưu hóa quy trình làm việc của nhà phân tích dữ liệu.

Việc có khả năng tạo ra các quy trình riêng, dù là thông qua sự đơn giản của hàm lambda trong Python, sức mạnh xử lý vector của BigQuery, sự chặt chẽ của SQL Server, hay cấu trúc của DAX, cho phép chúng ta chuyển đổi các kịch bản hỗn loạn thành các hệ thống có tổ chức và hiệu quả. Nắm vững các công cụ này không chỉ giảm thời gian phát triển mà còn đảm bảo phần mềm có thể bảo trì lâu dài và có khả năng xử lý khối lượng lớn thông tin với mức tiêu thụ tài nguyên tối thiểu.

Câu hỏi thường gặp

Trong SQL, hàm vô hướng (scalar function) và hàm bảng (table function) khác nhau ở điểm nào?

Hàm vô hướng trả về một giá trị dữ liệu duy nhất thuộc một kiểu dữ liệu cụ thể, trong khi hàm trả về bảng trả về một tập hợp kết quả được cấu trúc giống như một bảng.

Mục đích của việc vector hóa trong các hàm UDF Python của BigQuery là gì?

Vectorization cho phép xử lý hàng loạt các hàng dữ liệu cùng lúc bằng cách sử dụng pandas.DataFrame thay vì phân tích từng hàng một, điều này giúp tối ưu hóa đáng kể tốc độ truy vấn.

Hàm void trong Python là gì?

Đây là một hàm thực hiện một hành động cụ thể, chẳng hạn như in một thông báo, nhưng không trả về bất kỳ giá trị nào cho người gọi, dẫn đến giá trị mặc định là None.

Trong Python, generator khác với hàm thông thường như thế nào?

Không giống như các hàm thông thường sử dụng `return` để trả về giá trị cuối cùng, các hàm tạo (generator) sử dụng `yield` để trả về một chuỗi kết quả từng cái một, đồng thời vẫn duy trì trạng thái bên trong của chúng.

Các hàm DAX UDF mang lại những ưu điểm gì trong Power BI?

Chúng cho phép đóng gói logic có thể tái sử dụng vào mô hình, tránh lặp lại công thức trong nhiều phép đo và tạo điều kiện thuận lợi cho việc bảo trì tập trung các quy tắc tính toán.

Liệu có thể sửa đổi các bảng trong cơ sở dữ liệu từ một hàm của SQL Server không?

Không, các hàm của SQL Server không cho phép tác dụng phụ, nghĩa là chúng không thể thực hiện các thay đổi vĩnh viễn đối với các tài nguyên bên ngoài như bảng hoặc danh mục.

Hàm lambda là gì?

Đây là một hàm ẩn danh và nhỏ gọn được định nghĩa chỉ trong một dòng để thực hiện các thao tác nhanh mà không cần phải gán cho nó một tên chính thức bằng cách sử dụng từ khóa `def`.