采样用于随机选择数据集的子集。

示例

使用 `reservoir` 采样从 `tbl` 中精确选择 5 行。

SELECT *
FROM tbl
USING SAMPLE 5;

使用 `system` 采样，从表中选择大约 10% 的样本。

SELECT *
FROM tbl
USING SAMPLE 10%;

警告 默认情况下，当你指定一个百分比时，每个 向量 都将以该概率包含在样本中。如果你的表包含少于约 1 万行，建议使用 bernoulli 采样选项，它会独立地将概率应用于每一行。即使如此，你有时会得到多于或少于指定百分比的行数，但完全没有行的情况则不太可能发生。要精确获得 10% 的行（四舍五入后），你必须使用 reservoir 采样选项。

使用 `bernoulli` 采样，从表中选择大约 10% 的样本。

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

使用 `reservoir` 采样，从表中选择精确 10% 的样本（四舍五入后）。

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

使用固定种子（100）的 reservoir 采样，从表中选择精确 50 行的样本。

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

使用固定种子（377）的 `system` 采样，从表中选择大约 20% 的样本。

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

在与 `tbl2` 进行连接之前，选择 `tbl` 中大约 20% 的样本。

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

在与 `tbl2` 进行连接之后，选择 `tbl` 中大约 20% 的样本。

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

语法

采样允许你随机提取数据集的子集。采样对于更快地探索数据集很有用，因为通常你可能对查询的精确答案不感兴趣，而只对数据的外观和内容的大致指示感兴趣。采样可以让你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，当需要精确行数采样时，DuckDB 使用 `reservoir` 采样；当指定百分比时，则使用 `system` 采样。下面详细描述了这些采样方法。

采样需要一个样本大小，它表示将从总人口中采样的元素数量。采样可以以百分比（`10%` 或 `10 PERCENT`）或固定行数（`10` 或 `10 ROWS`）的形式给出。所有三种采样方法都支持按百分比采样，但只有 reservoir 采样支持采样固定数量的行。

采样是概率性的，也就是说，除非明确指定种子，否则不同运行之间的样本可能会有所不同。指定种子仅在未启用多线程（即 `SET threads = 1`）的情况下保证样本相同。在多个线程对样本进行操作的情况下，即使使用固定种子，样本也未必一致。

reservoir

蓄水池采样是一种流式采样技术，它通过维护一个大小等于样本大小的蓄水池来选择随机样本，并随着更多元素的进入而随机替换元素。蓄水池采样允许我们精确指定在结果样本中想要的元素数量（通过选择蓄水池的大小）。因此，与 system 和 bernoulli 采样不同，蓄水池采样总是输出相同数量的元素。

蓄水池采样仅推荐用于小样本量，不建议与百分比一起使用。这是因为蓄水池采样需要具体化整个样本，并在具体化样本中随机替换元组。样本量越大，此过程带来的性能开销就越高。

当使用多进程时，蓄水池采样还会产生额外的性能开销，因为蓄水池需要在不同线程之间共享以确保无偏采样。当蓄水池非常小的时候，这不是一个大问题，但当样本量很大时，成本会很高。

最佳实践 如果可能，请避免在样本量大时使用蓄水池采样。蓄水池采样要求整个样本在内存中具体化。

bernoulli

伯努利采样只能在指定采样百分比时使用。它相当简单：基础表中的每一行都以等于指定百分比的概率包含在内。因此，即使指定相同的百分比，伯努利采样也可能返回不同数量的元组。预期行数等于表中指定百分比的行数，但会有一定的方差。

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

system

系统采样是伯努利采样的一种变体，但有一个关键区别：每个向量都以等于采样百分比的概率包含在内。这是一种聚类采样形式。系统采样比伯努利采样更高效，因为它无需执行每元组选择。

预期行数仍然等于表中指定百分比的行数，但方差高出 `vectorSize` 倍。因此，系统采样不适用于行数少于约 1 万行的数据集，因为在这种情况下，即使你要求 `50 PERCENT`，也可能发生所有行都被过滤掉，或者所有数据都被包含的情况。

表采样

从语法和效果上看，`TABLESAMPLE` 和 `USING SAMPLE` 子句是相同的，但有一个重要区别：tablesample 直接从它们所指定的表中采样，而 sample 子句则在整个 FROM 子句解析后进行采样。这在查询计划中存在连接时非常重要。

`TABLESAMPLE` 子句本质上等同于使用 `USING SAMPLE` 子句创建一个子查询，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;

在连接之后，对 20% 的数据进行采样（即，对连接结果的 20% 进行采样）

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