我需要审查我的解决方案，以便从存储在 MPP 机器（当前为 Netezza，稍后可能是 hadoop/等）上的表中采样 100 个随机行
我对使用 Netezza 的 rand() 不感兴趣，因为我希望以后能够重现相同的样本，而且我不指望 setseed()。
我现在使用的解决方案是：
SELECT * FROM MY_TABLE ORDER BY ID % 371, ID % 17, ID % 501, ID LIMIT 100
这 3 个数字是我自己的 RNG 生成的素数。 我在正确的轨道上吗？ 这个“随机”样本足够随机吗？
注意：我不需要它是一个加密的强随机样本，我只是想确保我每次都选择不同的样本，并且采样均匀，并且我希望能够轻松地重现我的如果需要，示例（通过执行相同的 SQL）。
谢谢！
【问题讨论】：
标签： sql algorithm random data-mining netezza
我不会尝试在 SQL 中生成随机数，因为很容易获得一些真正的随机数，将它们粘贴到表或存储过程中。
转到https://www.fourmilab.ch/hotbits/secure_generate.html 以获取 256 个十六进制随机位，一次将 4 个数字分组，转换为十进制整数，然后使用前 100 个数字作为密钥。
您将拥有一个可重复的序列，并且您可以根据需要制作任意数量的真正随机序列。
如果您需要具有均匀分布的可重复伪随机数，同样的原则也适用。只需使用不同的数字来源即可。例如，您可以编写一个 Python 脚本，使用包含的 random 模块来生成您的数字。
至于要使用的 SQL，如果您正确地构建数据库，它就很简单。在这种情况下，由于我构建了一次随机表，并多次将其用于查询，因此我将构建表以包含主键，而不仅仅是生成的随机数。或者，如果我要使用不同的数字集重复此操作，那么我将构建一个关系表（如在 ER 建模中），将随机数表链接到我正在采样的表。我不会将所有内容都强制写入 SQL，而是使用脚本语言生成随机数表并构建关系表。
在您上面给出的示例中，您需要 100 个样本，因此随机抽样表将包含由外部脚本选择的 100 个主键。每次运行采样时，您都会获得完全相同的记录，直到您更改随机采样表。要更改表，请转储要采样的表的主键，然后运行脚本以随机选择 100，方法是生成 100 个介于 1 和主键总数之间的数字。如果你使用 Python 之类的工具，你可以获得均匀随机数、伽马分布、高斯分布、对数正态分布、帕累托等。
【讨论】：