从巨大的table生成随机样本，有条件

Question

我有一个 table (>500GB)，我需要从中 select 5000 个随机行，其中 table.condition = True 和 5000 table.condition = False 的随机行。到目前为止，我的尝试使用 tablesample，但不幸的是，任何 WHERE 子句仅在样本生成后应用。所以我看到这个工作的唯一方法是执行以下操作：

生成2个空temporary_tables -- temporary_table_true和temporary_table_false -- 具有主table的结构，因此我可以迭代添加行。

create temp temporary_table_true as select 
  table.condition, table.b, table.c, ... table.z
from table LIMIT 0

create temp temporary_table_false as select 
  table.condition, table.b, table.c, ... table.z
from table LIMIT 0

创建一个循环，仅当我的 temporary_tables 的大小均为 5000 时才停止。
在该循环中，我在每次迭代中从 table 生成一批 100 个随机样本。从这些随机行中，我将带有 table.condition = True 的行插入到我的 temporary_table_true 中，将带有 table.condition = False 在我的 temporary_table_false.

你们能帮帮我吗？

有没有更好的方法？
如果没有，请问我如何编写第 2 部分和第 3 部分的代码？

Answer 1

教科书的解决方案是运行两个查询，一个用于 true 的行，一个用于 `false:

的行

SELECT * FROM mytable WHERE `condition`=true ORDER BY RAND() LIMIT 5000; 

SELECT * FROM mytable WHERE `condition`=false ORDER BY RAND() LIMIT 5000;

WHERE 子句首先应用，以减少匹配的行，然后随机对行的子集进行排序，最多选择 5000 个。结果是一个随机子集。

此解决方案的优势在于它return是一组相当均匀分布的随机行，并且它会自动处理诸如真实比例未知的情况table 中为 false，如果其中一个条件值匹配少于 5000 行，甚至会处理。

缺点是对如此大的行集进行排序的成本非常高，而且索引无法帮助您按 RAND() 等不确定表达式进行排序。

如果您需要将其作为单个 SQL 查询，您可以使用 window 函数来执行此操作，但它仍然非常昂贵。

SELECT t.*
FROM (
  SELECT *, ROW_NUMBER() OVER (PARTITION BY `condition` ORDER BY RAND()) AS rownum
  FROM mytable
) AS t
WHERE t.rownum <= 5000;

另一种不使用随机排序操作的替代方法是执行 table-scan，并随机选择行的子集。但是您需要大致知道有多少行与每个条件值匹配，以便您可以估计其中约 5000 行的分数。例如，有 100 万行具有真值，50 万行具有假值：

SELECT * FROM mytable WHERE `condition`=true AND RAND()*1000000 < 5000;

SELECT * FROM mytable WHERE `condition`=false AND RAND()*500000 < 5000;

由于随机性，这不能保证 return 刚好 5000 行。但可能非常接近。而且table-scan还是挺贵的

O.Jones的回答给了我另一个思路。如果可以添加列，则可以在该列上添加索引。

ALTER TABLE `table` 
  ADD COLUMN rando FLOAT DEFAULT NULL,
  ADD INDEX (`condition`, rando);
UPDATE `table` SET rando = RAND() WHERE rando IS NULL;

然后您可以使用索引搜索。同样，您需要知道有多少行与每个值匹配才能执行此操作。

SELECT * FROM mytable 
WHERE `condition`=true AND rando < 5000/1000000
ORDER BY `condition`, rando
LIMIT 5000; 

SELECT * FROM mytable 
WHERE `condition`=true AND rando < 5000/500000
ORDER BY `condition`, rando
LIMIT 5000;

如果使用我添加的索引，本例中的 ORDER BY 应该是 no-op。无论如何，这些行将按索引顺序读取，MySQL 的优化器不会对它们进行任何排序。

这个解决方案会快得多，因为它不需要对任何东西进行排序，也不需要执行 table-scan。 MySQL 有一个优化，可以在满足 LIMIT 后退出查询。

但缺点是，当您再次运行 SELECT，或者如果不同的客户端运行查询时，它不会 return 不同的随机结果。您将不得不使用更新 re-randomize 整个 table 以获得不同的结果。根据您的需要，这可能不是 suitable。

Answer 2

向您的 table 添加一列并用随机数填充它。

ALTER TABLE `table` ADD COLUMN rando FLOAT DEFAULT NULL;
UPDATE `table` SET rando = RAND() WHERE rando IS NULL;

然后做

SELECT * 
  FROM `table` 
 WHERE rando > RAND() * 0.9
   AND condition = 0
 ORDER BY rando
 LIMIT 5000

为 condition = 1 再做一次，Bob 是你的叔叔。它将从随机行开始以随机顺序拉取行。

一些注意事项：

0.9 可以提高您实际获得 5000 行的机会，而不是更少的数字。
您可能必须将 LIMIT 1000 添加到 UPDATE 语句，然后运行多次添加以填充完整的 rando 列：尝试更新一个表中的所有行大 table 可以产生巨大的交易并长时间淹没您的服务器。
如果您需要生成另一个随机样本，运行再次更新或更新。

从巨大的table生成随机样本，有条件

Generate random sample from huge table, with conditions

mysql

sql

database

postgresql

random