ClickHouse SAMPLE 采样子句介绍
Posted 东海陈光剑
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了ClickHouse SAMPLE 采样子句介绍相关的知识，希望对你有一定的参考价值。
该 SAMPLE 子句允许近似于 SELECT 查询处理。
启用数据采样时，不会对所有数据执行查询，而只对特定部分数据(样本)执行查询。 例如，如果您需要计算所有访问的统计信息，只需对所有访问的1/10分数执行查询，然后将结果乘以10即可。
近似查询处理在以下情况下可能很有用:
- 当你有严格的时间需求(如<100ms)，但你不能通过额外的硬件资源来满足他们的成本。
- 当您的原始数据不准确时，所以近似不会明显降低质量。
- 业务需求的目标是近似结果(为了成本效益，或者向高级用户推销确切结果)。
下面列出了数据采样的功能:
1.数据采样是一种确定性机制。 同样的结果 SELECT .. SAMPLE 查询始终是相同的。
2.对于不同的表，采样工作始终如一。 对于具有单个采样键的表，具有相同系数的采样总是选择相同的可能数据子集。 例如，用户Id的示例采用来自不同表的所有可能的用户Id的相同子集的行。 这意味着您可以在子查询中使用采样 [IN] 此外，您可以使用 [JOIN] 。
3.采样允许从磁盘读取更少的数据。 请注意，您必须正确指定采样键。 有关详细信息，请参阅 [创建MergeTree表].
4.为 SAMPLE 子句支持以下语法:
SAMPLE K
这里 k 从0到1的数字(支持小数和小数表示法)。 例如, SAMPLE 1/2 或 SAMPLE 0.5.
在一个 SAMPLE k 子句，样品是从 k 数据的分数。 示例如下所示:
SELECT
Title,
count() * 10 AS PageViews
FROM hits_distributed
SAMPLE 0.1
WHERE
CounterID = 34
GROUP BY Title
ORDER BY PageViews DESC LIMIT 1000在此示例中，对0.1(10%)数据的样本执行查询。 聚合函数的值不会自动修正，因此要获得近似结果，值 count() 手动乘以10。
SAMPLE N
这里 n 是足够大的整数。 例如, SAMPLE 10000000.
在这种情况下，查询在至少一个样本上执行 n 行(但不超过这个)。 例如, SAMPLE 10000000 在至少10,000,000行上运行查询。
由于数据读取的最小单位是一个颗粒(其大小由 index_granularity 设置)，是有意义的设置一个样品，其大小远大于颗粒。
使用时 SAMPLE n 子句，你不知道处理了哪些数据的相对百分比。 所以你不知道聚合函数应该乘以的系数。 使用 _sample_factor 虚拟列得到近似结果。
该 _sample_factor 列包含动态计算的相对系数。 当您执行以下操作时，将自动创建此列 [创建] 具有指定采样键的表。 的使用示例 _sample_factor 列如下所示。
让我们考虑表 visits，其中包含有关网站访问的统计信息。 第一个示例演示如何计算页面浏览量:
SELECT sum(PageViews * _sample_factor)
FROM visits
SAMPLE 10000000下一个示例演示如何计算访问总数:
SELECT sum(_sample_factor)
FROM visits
SAMPLE 10000000下面的示例显示了如何计算平均会话持续时间。 请注意，您不需要使用相对系数来计算平均值。
SELECT avg(Duration)
FROM visits
SAMPLE 10000000
SAMPLE K OFFSET M这里 k 和 m 是从0到1的数字。 示例如下所示。
示例1
SAMPLE 1/10在此示例中，示例是所有数据的十分之一:
[++------------]
示例2
SAMPLE 1/10 OFFSET 1/2这里，从数据的后半部分取出10％的样本。
以上是关于ClickHouse SAMPLE 采样子句介绍的主要内容，如果未能解决你的问题，请参考以下文章
ClickHouse高级数据查询SQL: WITH/JOIN/IN/INTO OUTFILE/嵌套子查询/交并差计算等
大数据ClickHouse进阶（十四）：ClickHouse的HAVING和ORDER BY子句
点云处理技术之PCL随机采样一致算法（Random sample consensus，RANSAC）
大数据ClickHouse进阶：ClickHouse的Join子句