在 PostgreSQL 中，如何根据分类列中每个级别的比例从表中随机抽样？答案

【问题标题】：In PostgreSQL, How do I random sample from table based on the proportion of each level in a categorical column?在 PostgreSQL 中，如何根据分类列中每个级别的比例从表中随机抽样？
【发布时间】：2018-08-10 04:51:16
【问题描述】：

例如，如果我有一个名为 companyId 的列和许多其他我想保留的列，并且在 companyId 中我有 100、101、102 等值，基本上是一个 Id 列表，每个 Id 出现不同的数字次。如何根据companyId列随机抽取数据，使其按照每个Id的比例？

例如：如果我有 500 行和 100 个 companyA、100 个 companyB 和 300 个 companyC，我想从这个表中抽取 100 行。如何让我的数据有 20 个 companyA、20 个 companyB 和 60 个 companyC？

非常感谢。

【问题讨论】：

已经在stackoverflow中回答请参考stackoverflow.com/questions/1124603/…

标签： sql postgresql random

【解决方案1】：

您应该使用自 PostgreSQL 9.5 起可用的 TABLESAMPLE 子句，如 SELECT documentation 中所述。

有两种内置的表格抽样方法：SYSTEM 和BERNOULLI。两者都尝试获取随机样本，但SYSTEM 方法选择表块并使用其中的数据，而BERNOULLI 使用整个表中的随机样本。 SYSTEM 更快，但BERNOULLI 提供更均匀分布的样本。

您必须指定要获取的行的百分比。
如果你想要五分之一的桌子，你会使用：

SELECT * FROM mytable TABLESAMPLE BERNOULLI (20);

如果您的要求是获得一定数量的结果行，您可以考虑使用tsm_system_rows contrib 模块，它提供了类似于SYSTEM 的SYSTEM_ROWS 表示例方法，但您可以指定数量结果行数。

【讨论】：

这能回答问题吗？ OP 想知道如何对“20 companyA, 20 companyB and 60 companyC”进行采样？
你是对的，这是一个近似值。我假设这些数字仅用于说明，代表估计而非硬性要求（请注意，这些数字与表中值出现的频率成正比）。
感谢您的说明，它确实有助于理解 tablesample 的工作原理。