命令格式

• 分桶采樣。

  TABLESAMPLE (BUCKET <x> OUT OF <y> [ON <col_name> | rand()])

  參數說明如下。

  • x，y：必填。將源表中的數據劃分為y個桶，取其中的第x個桶，桶從1開始編號。

  • col_name：分桶列名即要進行采樣的列名。當表不是聚簇表時，col_name與rand()函數必須二選一，當使用rand()函數時表示對輸入的數據隨機進行分桶。ON語句中最多支持指定10個列。

• 指定采樣百分比采樣。

  TABLESAMPLE (<n> PERCENT)

  其中n為采樣百分比，取其中n%的數據，即采樣返回的數據記錄個數和源表中總記錄個數之比大概是n%，非精確值。

• 隨機返回指定記錄數采樣。

  TABLESAMPLE (<m> ROWS)

  其中m為指定隨機返回的記錄數。如果源表中的總記錄個數小于m，則返回源表中的全部記錄。m最大值為10000。

示例數據

本文使用示例需要用到如下兩個表。

• BIGDATA_PUBLIC_DATASET.life_service.phoneno_basic_info_2020。

  BIGDATA_PUBLIC_DATASET.life_service.phoneno_basic_info_2020表是MaxCompute公開數據集中的表，詳情請參見公開數據集概述。

• tblsample_test。

  tblsample_test表為聚簇表，建表DDL及數據插入命令如下。

  --創建cluster表
  CREATE TABLE tblsample_test(a bigint, b string, c string) 
    CLUSTERED BY (a, c) SORTED by (a, c) INTO 32 BUCKETS;
  --插入數據
  insert overwrite table tblsample_test values(1,"b1","c1"),
      (2,"b2","c2"),
      (3,"b3","c3"),
      (4,"b4","c4");
  --查詢表數據
  select * from tblsample_test;
  --返回結果
  +------------+---+-----+
  | a          | b | c   |
  +------------+---+-----+
  | 2          | b2 | c2 |
  | 4          | b4 | c4 |
  | 3          | b3 | c3 |
  | 1          | b1 | c1 |
  +------------+---+---+

使用示例

• 示例1：根據列的值分桶進行采樣。

  --對BIGDATA_PUBLIC_DATASET.life_service.phoneno_basic_info_2020進行采樣
  SELECT isp_code,
  			 phoneno,
  			 province
    FROM BIGDATA_PUBLIC_DATASET.life_service.phoneno_basic_info_2020 
  TABLESAMPLE (BUCKET 1 OUT of 1000000 ON isp_code, 
                        									phoneno, 
                        									province) s;
                                          
  --返回結果
  +----------+---------+----------+
  | isp_code | phoneno | province |
  +----------+---------+----------+
  | 185      | 1853500 | 山西   |
  | 187      | 1878332 | 四川   |
  +----------+---------+----------+

• 示例2：使用RAND()函數，對輸入的數據隨機分桶進行采樣。

  --對BIGDATA_PUBLIC_DATASET.life_service.phoneno_basic_info_2020進行采樣
  SELECT isp_code,
  			 phoneno,
         province
    FROM BIGDATA_PUBLIC_DATASET.life_service.phoneno_basic_info_2020
  TABLESAMPLE (BUCKET 3 OUT OF 500000 ON RAND()) s;
  
  --返回結果
  +----------+---------+----------+
  | isp_code | phoneno | province |
  +----------+---------+----------+
  | 131      | 1312224 | 上海   |
  | 135      | 1353936 | 廣東   |
  | 158      | 1586377 | 山東   |
  +----------+---------+----------+

• 示例3：對聚簇表tblsample_test可省略ON條件進行采樣。

  select a, b from tblsample_test TABLESAMPLE (BUCKET 1 OUT OF 2) as ts;
  
  --返回結果
  +------------+---+
  | a          | b |
  +------------+---+
  | 2          | b2|
  +------------+---+

  說明

  因為聚簇表中的數據在存儲的時候已經分桶存儲，因此在采樣的時候會直接從某個桶里取數據，這樣做可以提高采樣的性能。tblsample_test表在創建的時候是分了32個桶，采樣的時候，只要總桶數y的取值為32的倍數（32/64/128...）或者是能整除32（16/8/4/...），都可以取得性能優化的效果。

• 示例4：對tblsample_test表進行采樣，取其中n%的數據，即采樣返回的數據記錄個數和源表中總記錄個數之比大概是n%（不能保證絕對精確）。

  --取tblsample_test 50%的數據
  SELECT * FROM tblsample_test TABLESAMPLE (50 PERCENT) s;
  
  --返回結果
  +------------+---+---+
  | a          | b | c |
  +------------+---+---+
  | 2          | b2 | c2 |
  | 3          | b3 | c3 |
  +------------+---+---+

• 示例5：對tblsample_test表進行采樣，隨機返回n條記錄。

  select * FROM tblsample_test TABLESAMPLE (2 ROWS);
  
  --返回結果
  +------------+---+---+
  | a          | b | c |
  +------------+---+---+
  | 2          | b2 | c2 |
  | 3          | b3 | c3 |
  +------------+---+---+