如何使用Presto SQL获得可重复的样本？

Question

我想从一个大表中获取数据样本，并希望确保稍后可以重复此操作。其他SQL允许使用set.seed（整数）或可重复（整数）命令设置种子来完成可重复采样。但是，这在Presto中不适合我。这样的命令不可用吗？谢谢。

Answer 1

一种解决方案是，您可以通过添加随机内容（例如UUID）的列（或创建视图）来模拟采样，然后通过在此列上过滤来选择行（例如，UUID以'1'结尾） ）。您可以调整条件以获取所需的样本量。

按设计，结果是随机的，也可以在多次运行中重复使用。

Answer 2

您可以创建与选定IDS一个简单的中间表：

CREATE TABLE IF NOT EXISTS <temp1> 
AS 
SELECT <id_column> 
FROM <tablename> TABLESAMPLE SYSTEM (10); 

这将只包含采样ID和将准备与感兴趣的数据做JOIN使用它在你的分析下游。