Конфигурационные параметры сервера можно увидеть из представления:

select * 
  from pg_settings 
 order by category;

Типы и значения параметров описывают типы данных и значения параметров.
Установка параметров описывает ограничения на то, кто может их изменять, а также где или когда их можно устанавливать.
Категории параметров организуют параметры по функциональности.
Параметры конфигурации перечисляют описания параметров в алфавитном порядке.
исходник

Получить список полей таблиц, сокращенный способ:

select * 
  from pg_attribute 
 where attrelid = 'my_schema.me_table'::regclass::oid;

https://github.com/open-gpdb/gpdb
Исходный код для знакомства с mpp совместимой с greenplum.
В разделе https://github.com/open-gpdb/gpdb?tab=readme-ov-file#repositories несколько интересных дополнений к greenplum, например хранение AO таблиц в s3

DBT Greenplum. Адаптер.
Если не указвать в config distributed_by и distributed_replicated то будет randomly distribution для таблицы

{% macro distribution(distributed_by, distributed_replicated) %}
    {% set distribution %}
        {% if distributed_by is not none %}
            DISTRIBUTED BY ({{ distributed_by }})
        {% elif distributed_replicated %}
            DISTRIBUTED REPLICATED
        {% else %}
            DISTRIBUTED RANDOMLY
        {% endif %}
    {% endset %}

    {{ return(distribution) }} 
{% endmacro %}

Наткнулся на документацию по PXF
она прикреплена в комментах

Запись появилась митапа
https://youtu.be/LuZoarjNF0w
думаю многим интересно будет посмотреть
https://yandex.cloud/ru/events/938?utm_referrer=about%3Ablank

позволяет увидеть доступные расширения для кластер

select * from pg_available_extensions;

позволяет увидеть установленные расширения

select * from pg_extension;

Пример чтения из s3 файла parquet со сжатием snappy

create readable EXTERNAL table "trs_tt"."test_tbl" (ID DECIMAL(38,0), field_dtm bigint, field_nm text)
LOCATION ('pxf://s3backetname/folder/path/path/?PROFILE=s3:parquet&SERVER=s3serverconfig&COMPRESSION_CODEC=snappy')
ON ALL FORMAT 'CUSTOM' ( FORMATTER='pxfwritable_import' ) ENCODING 'UTF8';

dbt

https://github.com/dbt-labs/dbt-core

greenplum адаптер

https://github.com/markporoshin/dbt-greenplum
https://github.com/hovercraft-github/dbt-greenplum

немного в тему данных, а в тему их визуализаций, наткнулся вот на такую визуализацию
https://www.jasondavies.com/maps/voronoi/airports/
На глобус нанесена карта разделения пространств аэропортов мира

что бы изменить ресурсную группу у пользователя

ALTER USER <name> RESOURCE GROUP {<group_name> | NONE}

и посмотреть ресурсные группы можно взять из представления

select * from gp_toolkit.gp_resgroup_config

есть такой файл в исходниках greenplum: - cdbgroupingpaths.c
в нем описывается поведение формирование плана запроса для выполнения
вычисления агрегатов и например операторов count(distinct field_nm) - DQA(Distinct Qualified Aggregate)

ниже перевод комментариев из исходного кода:

Общая форма сгенерированного плана аналогична планам параллельной
агрегации:

Finalize Aggregate [3]
Motion [2]
Partial Aggregate [1]

но существует множество различных вариантов этой базовой формы:

[1] Частичная стадия может быть отсортирована или хэширована. Кроме того,
отсортированный Agg может быть получен путем сортировки самого дешевого входного пути
или из предварительно отсортированных путей.

[2] Для второго этапа необходимо собрать частичные результаты. Для простой агрегации, без использования GROUP BY, результаты должны быть
собраны в одном узле. С помощью GROUP BY они могут быть перераспределены в соответствии с группировкой ПО столбцам.

[3] Как и в первом случае, второй этап также может быть отсортирован или хэширован. Ситуация усложняется, если у любого из агрегатов есть различные
аргументы, также известные как DQAS или агрегаты с различными параметрами. Если есть только один DQA, и входной путь совпадает с аргументом
DISTINCT, тогда мы можем перейти к двухэтапному пути, как описано выше.
Но в противном случае потребуется три этапа и, возможно, узел с разделением на кортежи.
Подробности смотрите в разделах add_single_dqa_hash_agg_path() и add_multi_dqas_hash_agg_path()

изложенное нужно учитывать при использовании операторов distinct - точно, и как мне кажется оконных функций то же.

как получить место, которое занимает таблица на каждом сегменте:

             select oid as table_oid, 
                    pg_size_pretty(pg_relation_size(oid)) as size
             from gp_dist_random('pg_class')
             where oid = 69756046 and relkind <> '%s'

нужно только знать её oid

Поддерживается вот такая конструкция

WITH deleted_rows AS (
    DELETE FROM products
    WHERE
        "date" >= '2010-10-01' AND
        "date" < '2010-11-01'
    RETURNING *
)
SELECT * FROM deleted_rows;

но только для heap таблиц

Запрос - который поможет найти перекошенные таблицы, например все, имеющие тип 'c'

with get_size as (
select oid as realtion_oid
       , pg_relation_size(oid) as size
  from gp_dist_random('pg_class')
  where relkind <> '%s' 
        --and oid in (your numbers or subquery)
        and relstorage = 'c'
), prepare as (
select gs.*
     , pgc.relname
     , pg_size_pretty(pg_relation_size(gs.realtion_oid)) as size_nm
  from get_size gs
inner join  (select oid pgc_oid, relname from pg_class) pgc
    on pgc.pgc_oid = gs.realtion_oid
)
 select realtion_oid, relname
       , pg_size_pretty(min(size)) min_size_per_seg
       , pg_size_pretty(max(size)) max_size_per_seg
       , pg_size_pretty(avg(size)) avg_size_per_seg
       , case when max(size) != 0 then round((min(size)::decimal/max(size))*100,2)
          else NULL
          end koefficient_min_div_max
   from prepare prep 
 group by realtion_oid, relname
 order by max(size)  desc

GPORCA поддерживает следующие типы CTEs:
- CTE, определяющее одну или несколько таблиц. В этом запросе CTE определяет две таблицы.

    WITH cte1 AS (SELECT a, sum(b) as s FROM T 
                   where c < 10 GROUP BY a),
          cte2 AS (SELECT a, s FROM cte1 where s > 1000)
      SELECT *
      FROM cte1 as v1, cte2 as v2, cte2 as v3
      WHERE v1.a < v2.a AND v1.s < v3.s;
    

- Вложенные (Nested) CTEs.

    WITH v AS (WITH w AS (SELECT a, b FROM foo 
                          WHERE b < 5) 
               SELECT w1.a, w2.b 
               FROM w AS w1, w AS w2 
               WHERE w1.a = w2.a AND w1.a > 2)
      SELECT v1.a, v2.a, v2.b
      FROM v as v1, v as v2
      WHERE v1.a < v2.a;

Получить по каждому сегменту суммарный объем данных:

select pg_size_pretty(sum(pg_relation_size(oid))) as size
       , gp_segment_id
  from gp_dist_random('pg_class')
  where relkind <> '%s' 
        and pg_relation_filenode(oid) not in (69756046)
--        and relstorage = 'c'
group by gp_segment_id
order by gp_segment_id

В плане запросов встречается SharedTupleStore:
Простой механизм для совместного использования кортежей между бэкендами.
Этот механизм временного хранения кортежей, предоставляющий параллельное подмножество функций tuplestore.c.
Несколько бэкендов могут записывать в SharedTuplestore, а затем несколько бэкендов могут позже сканировать сохраненные кортежи.
В настоящее время поддерживается только один тип сканирования — параллельное сканирование, при котором каждый бэкенд считывает произвольное подмножество записанных кортежей.