sql - 从 Snowflake 中的表中选择随机百分比(使用 WHERE 子句时)

Question

使用此页面作为指南:https://docs.snowflake.com/en/sql-reference/constructs/sample.html

对于本练习，我需要将表中的部分记录按 50/50 拆分:

这些工作。我得到了几乎正好 50% 的表行数:

SELECT * FROM MyTable SAMPLE (50);
SELECT * FROM MyTable TABLESAMPLE (50);

一旦我应用 WHERE 子句，SAMPLE 就不再有效:

SELECT * FROM MyTable
WHERE country = ‘USA’ 
AND load_date = CURRENT_DATE
SAMPLE (50);

这让我从上面的雪花页面找到了这个:

方法一；将示例应用于其中一个连接表

select i, j 
    from table1 as t1 inner join table2 as t2 sample (50)
    where t2.j = t1.i 
    ;

方法二；将样本应用于连接表的结果

select * 
   from ( 
         select * 
            from t1 join t2
               on t1.a = t2.c
        ) sample (50);

两种方法都有效，但返回的记录数是 57%，而不是两种情况下的 50%。

QUALIFY ROW_NUMBER() OVER (ORDER BY RANDOM()) 是更好的选择吗？虽然这确实适用于 WHERE 子句，但我不知道如何设置百分比而不是行计数最大值。示例:

SELECT * FROM MyTable
WHERE country = ‘USA’
AND load_date = CURRENT_DATE
QUALIFY ROW_NUMBER() OVER (ORDER BY RANDOM()) = (50)

--这给了我 50 行，而不是 50% 的行或 4,457 行(本例中 where 子句后的总行数是 8,914)

Answer 1

在执行 where 子句之前，您需要先对表进行采样。我相信在您的示例中，where 子句首先运行，然后对其进行采样。试试这个(未经测试):

with ct as (
   SELECT * FROM MyTable SAMPLE (50)
)
select 
   *
from ct 
WHERE country = ‘USA’ 
AND load_date = CURRENT_DATE

或者我想是这样的:

select 
   *
from (SELECT * FROM MyTable SAMPLE (50))
WHERE country = ‘USA’ 
AND load_date = CURRENT_DATE