样本用于随机选择数据集的子集。

Examples

从tbl中使用reservoir抽样方法选择恰好5行的样本：

SELECT *
FROM tbl
USING SAMPLE 5;

使用system采样方法选择表中大约10%的样本：

SELECT *
FROM tbl
USING SAMPLE 10%;

警告 默认情况下，当您指定一个百分比时，每个向量都会以该概率包含在样本中。如果您的表包含少于约10k行，则指定bernoulli采样选项更有意义，该选项将概率独立应用于每一行。即便如此，您有时会得到比指定百分比更多或更少的行数，但完全得不到任何行的可能性要小得多。要精确获得10%的行（四舍五入），您必须使用reservoir采样选项。

使用bernoulli采样选择表中大约10%的样本：

SELECT *
FROM tbl
USING SAMPLE 10 PERCENT (bernoulli);

使用reservoir采样方法选择表中恰好10%（四舍五入）的样本：

SELECT *
FROM tbl
USING SAMPLE 10 PERCENT (reservoir);

使用固定种子（100）的蓄水池抽样方法，从表中精确选择50行样本：

SELECT *
FROM tbl
USING SAMPLE reservoir(50 ROWS)
REPEATABLE (100);

使用system采样方法，选择一个大约20%的表格样本，并设置固定种子（377）：

SELECT *
FROM tbl
USING SAMPLE 20% (system, 377);

在与tbl2连接之前，选择tbl的大约20%的样本：

SELECT *
FROM tbl TABLESAMPLE reservoir(20%), tbl2
WHERE tbl.i = tbl2.i;

在与tbl2连接后，选择tbl的大约20%的样本：

SELECT *
FROM tbl, tbl2
WHERE tbl.i = tbl2.i
USING SAMPLE reservoir(20%);

Syntax

样本允许您随机提取数据集的子集。样本对于更快地探索数据集非常有用，因为通常您可能对查询的确切答案不感兴趣，而只对数据的外观和数据中的内容有粗略的了解。样本允许您更快地获得查询的近似答案，因为它们减少了需要通过查询引擎的数据量。

DuckDB 支持三种不同的采样方法：reservoir、bernoulli 和 system。默认情况下，当采样确切的行数时，DuckDB 使用 reservoir 采样，而当指定百分比时，使用 system 采样。下面详细描述了这些采样方法。

样本需要一个样本大小，这表示将从总人口中抽取多少元素。样本可以以百分比形式给出（10% 或 10 PERCENT），也可以以固定行数形式给出（10 或 10 ROWS）。所有三种抽样方法都支持按百分比抽样，但只有水库抽样支持按固定行数抽样。

样本是概率性的，也就是说，除非明确指定种子，否则样本在运行之间可能会有所不同。指定种子仅保证在未启用多线程（即SET threads = 1）的情况下样本是相同的。在多个线程对样本进行运行的情况下，即使有固定的种子，样本也不一定一致。

reservoir

水库采样是一种流采样技术，通过保持一个大小等于样本大小的水库，并在更多元素进入时随机替换元素来选择随机样本。水库采样允许我们精确指定我们希望在结果样本中有多少元素（通过选择水库的大小）。因此，水库采样总是输出相同数量的元素，与系统和伯努利采样不同。

水库采样仅推荐用于小样本量，不推荐用于百分比。这是因为水库采样需要物化整个样本，并在物化样本中随机替换元组。样本量越大，此过程带来的性能影响就越高。

当使用多处理时，水库采样还会带来额外的性能损失，因为水库需要在不同线程之间共享，以确保无偏采样。当水库非常小时，这不是一个大问题，但当样本很大时，这会变得非常昂贵。

最佳实践 尽量避免在大样本量时使用蓄水池抽样。 蓄水池抽样需要将整个样本物化在内存中。

bernoulli

伯努利采样只能在指定采样百分比时使用。它相当直接：基础表中的每一行都有等于指定百分比的机会被包含。因此，即使指定了相同的百分比，伯努利采样也可能返回不同数量的元组。预期的行数等于表的指定百分比，但会有一些方差。

因为伯努利采样是完全独立的（没有共享状态），所以与多线程一起使用伯努利采样不会有任何性能损失。

system

系统抽样是伯努利抽样的一种变体，有一个关键区别：每个向量被包含的概率等于抽样百分比。这是一种聚类抽样的形式。系统抽样比伯努利抽样更高效，因为不需要对每个元组进行选择。

预期的行数仍然等于表的指定百分比，但方差是vectorSize倍高。因此，系统采样不适用于少于约10k行的数据集，在这种情况下，即使你要求50 PERCENT，也可能发生所有行被过滤掉，或者所有数据都被包含的情况。

表格示例

TABLESAMPLE 和 USING SAMPLE 子句在语法和效果上是相同的，但有一个重要的区别：tablesamples 直接从指定的表中进行采样，而 sample 子句在整个 from 子句解析后进行采样。这在查询计划中存在连接时是相关的。

TABLESAMPLE 子句基本上等同于使用 USING SAMPLE 子句创建子查询，即以下两个查询是相同的：

在连接之前对tbl进行20%的采样：

SELECT *
FROM
    tbl TABLESAMPLE reservoir(20%),
    tbl2
WHERE tbl.i = tbl2.i;

在连接之前对tbl进行20%的采样：

SELECT *
FROM
    (SELECT * FROM tbl USING SAMPLE reservoir(20%)) tbl,
    tbl2
WHERE tbl.i = tbl2.i;

在连接后采样20%（即，对连接结果进行20%的采样）：

SELECT *
FROM tbl, tbl2
WHERE tbl.i = tbl2.i
USING SAMPLE reservoir(20%);