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？

Posted 2021-05-06

例如，如果我有一个名为companyId的列和我要保留的许多其他列，并且在companyId中我有100,101,102等的值，基本上是ID列表和每个Id显示不同的次数。如何根据companyId列随机抽样数据，以便根据每个Id的比例？

例如：如果我有500行和100公司，100公司和300公司C，我想从这个表中抽样100行。如何使我的数据有20家公司，20家公司和60家公司？

非常感谢。

答案

您应该使用自TABLESAMPLE中描述的PostgreSQL 9.5以来可用的SELECT documentation子句。

有两种内置的表采样方法：SYSTEM和BERNOULLI。两者都试图获得随机样本，但SYSTEM方法选择表格块并使用其中的数据，而BERNOULLI使用整个表格中的随机样本。 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表，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，该模块提供与SYSTEM_ROWS类似的SYSTEM表示例方法，但您可以指定结果行的数量。