PostgresQL 中行的可重复伪随机样本答案

【问题标题】：Repeatable Pseudorandom Sample of rows in PostgresSQLPostgresQL 中行的可重复伪随机样本
【发布时间】：2020-08-31 14:14:25
【问题描述】：

我想使用随机种子对我的数据的一些子集进行随机抽样，以便它可以重复。目前，我有这个工作减去种子：

select * from my_table
where version is not null
  and start_datetime::date >= date('2020-03-16')
  and start_datetime::date < date('2020-05-15')
order by random()
limit 10000

现在我想设置一个随机种子，这样我就可以可靠地从此查询中获得相同的结果。

有什么好办法吗？

【问题讨论】：

标签： sql postgresql random sql-order-by sql-limit

【解决方案1】：

一个选项使用random function setseed()。如文档中所述：一旦调用此函数，当前会话中后续 random() 调用的结果可通过使用相同参数重新发出 setseed() 来重复。

该技术是使用union all 直接在查询中包含对该函数的调用，然后在外部查询中进行排序。这需要列出要从查询中返回的列。假设您想要列 col1, col2, col3，您的查询将是：

select * 
from (
    select setseed(0.5) colx, null col1, null col2, null col3
    union all
    select null, col1, col2, col3
    from mytable
    where 
        rpt.assist_detail.version is not null
        and start_datetime::date >= date '2020-03-16'
        and start_datetime::date <  date '2020-05-15'
    offset 1
) t
order by random()
limit 10000

offset 1 用于删除第一个子查询生成的行。 setseed()（这里是0.5）的参数可以是-1和1之间的任意值。只要传递相同的值，就会得到相同的排序。

【讨论】：

【解决方案2】：

RANDOM() 根据定义是不可重复的。

如果你想再次基于随机值获得相同的排序，你别无选择，只能将随机值存储在某个地方。

我建议您创建自己的表，添加一个整数列，并用随机整数填充：

CREATE TABLE my_random_ordered_sample AS
SELECT
  (RANDOM()*10000)::INT AS rand_ord
, *
FROM mytable
WHERE rpt.assist_detail.version IS NOT NULL
  AND start_datetime::DATE >= '2020-03-16'::DATE
  AND start_datetime::DATE <  '2020-05-15'::DATE
;

拥有它后，您可以：

SELECT
  all_the
, columns_
, except_the
, ordering_column
, named_rand_ord
FROM my random_ordered_sample
ORDER BY rand_ord;

【讨论】：