MaxCompute:TABLESAMPLE

Sintaksis

• Pengambilan sampel berbasis bucket

  TABLESAMPLE (BUCKET <x> OUT OF <y> [ON <col_name> | rand()])

  Deskripsi parameter:

  • x dan y: wajib. Data dalam tabel sumber dibagi menjadi y bucket bernomor mulai dari 1. Data di bucket ke-x akan diambil sampelnya.

  • col_name: nama kolom yang ingin Anda ambil sampelnya. Jika tabel bukan tabel terkluster, fungsi col_name atau rand() harus digunakan. Jika fungsi rand() digunakan, data masukan dibagi ke dalam bucket secara acak. Anda dapat menentukan maksimal 10 kolom dalam klausa ON.

• Pengambilan sampel berbasis persentase

  TABLESAMPLE (<n> PERCENT)

  Dalam sintaksis ini, n menentukan nilai persentase pengambilan sampel. Saat menggunakan pengambilan sampel berbasis persentase, n% data akan diambil sampelnya. Persentase rekaman yang dikembalikan terhadap semua rekaman dalam tabel sumber adalah sekitar n%. Nilai persentase tidak sepenuhnya akurat.

• Pengambilan sampel acak

  TABLESAMPLE (<m> ROWS)

  m menentukan jumlah rekaman yang dikembalikan. Jika jumlah total rekaman dalam tabel sumber kurang dari nilai m, semua rekaman dalam tabel sumber akan dikembalikan. Nilai maksimum m adalah 10000.

Data sampel

Tabel sampel berikut digunakan:

• BIGDATA_PUBLIC_DATASET.life_service.phoneno_basic_info_2020

  Tabel BIGDATA_PUBLIC_DATASET.life_service.phoneno_basic_info_2020 merupakan bagian dari dataset publik MaxCompute. Untuk informasi lebih lanjut tentang dataset publik, lihat Ikhtisar.

• tblsample_test

  Tabel tblsample_test adalah tabel terkluster. Pernyataan CREATE TABLE dan INSERT OVERWRITE berikut digunakan untuk membuat tabel dan memasukkan data ke dalam tabel.

  -- Buat tabel tblsample_test.
  CREATE TABLE tblsample_test(a bigint, b string, c string) 
    CLUSTERED BY (a, c) SORTED by (a, c) INTO 32 BUCKETS;
  -- Masukkan data ke dalam tabel.
  insert overwrite table tblsample_test values(1,"b1","c1"),
      (2,"b2","c2"),
      (3,"b3","c3"),
      (4,"b4","c4");
  -- Query data dari tabel.
  select * from tblsample_test;
  -- Hasil berikut dikembalikan:
  +------------+---+-----+
  | a          | b | c   |
  +------------+---+-----+
  | 2          | b2 | c2 |
  | 4          | b4 | c4 |
  | 3          | b3 | c3 |
  | 1          | b1 | c1 |
  +------------+---+---+

Contoh

• Contoh 1: Bagi data masukan ke dalam bucket berdasarkan nilai kolom dan ambil sampel data dari bucket tertentu.

  -- Ambil sampel data dari tabel BIGDATA_PUBLIC_DATASET.life_service.phoneno_basic_info_2020.
  SELECT isp_code,
  			 phoneno,
  			 province
    FROM BIGDATA_PUBLIC_DATASET.life_service.phoneno_basic_info_2020 
  TABLESAMPLE (BUCKET 1 OUT of 1000000 ON isp_code, 
                        									phoneno, 
                        									province) s;
                                          
  -- Hasil berikut dikembalikan:
  +----------+---------+----------+
  | isp_code | phoneno | province |
  +----------+---------+----------+
  | 185      | 1853500 | Shanxi   |
  | 187      | 1878332 | Sichuan   |
  +----------+---------+----------+

• Contoh 2: Gunakan fungsi RAND() untuk membagi data masukan ke dalam bucket secara acak dan ambil sampel data dari bucket tertentu.

  -- Ambil sampel data dari tabel BIGDATA_PUBLIC_DATASET.life_service.phoneno_basic_info_2020.
  SELECT isp_code,
  			 phoneno,
         province
    FROM BIGDATA_PUBLIC_DATASET.life_service.phoneno_basic_info_2020
  TABLESAMPLE (BUCKET 3 OUT OF 500000 ON RAND()) s;
  
  -- Hasil berikut dikembalikan:
  +----------+---------+----------+
  | isp_code | phoneno | province |
  +----------+---------+----------+
  | 131      | 1312224 | Shanghai   |
  | 135      | 1353936 | Guangdong   |
  | 158      | 1586377 | Shandong   |
  +----------+---------+----------+

• Contoh 3: Ambil sampel data dari tabel tblsample_test tanpa menentukan klausa ON.

  select a, b from tblsample_test TABLESAMPLE (BUCKET 1 OUT OF 2) as ts;
  
  -- Hasil berikut dikembalikan:
  +------------+---+
  | a          | b |
  +------------+---+
  | 2          | b2|
  +------------+---+

  Catatan

  Data dalam tabel terkluster disimpan dalam bucket. Oleh karena itu, data langsung diambil dari bucket selama pengambilan sampel, meningkatkan kinerja pengambilan sampel. Tabel tblsample_test dibagi menjadi 32 bucket saat tabel dibuat. Kinerja pengambilan sampel dapat ditingkatkan jika nilai y merupakan kelipatan dari 32, seperti 32, 64, atau 128, atau jika 32 habis dibagi oleh nilai y, seperti 16, 8, atau 4.

• Contoh 4: Ambil sampel n% data dari tabel tblsample_test. Dalam contoh ini, persentase rekaman sampel terhadap semua rekaman dalam tabel sumber adalah sekitar n%. Nilai persentase tidak sepenuhnya akurat.

  -- Ambil sampel 50% data dari tabel tblsample_test.
  SELECT * FROM tblsample_test TABLESAMPLE (50 PERCENT) s;
  
  -- Hasil berikut dikembalikan:
  +------------+---+---+
  | a          | b | c |
  +------------+---+---+
  | 2          | b2 | c2 |
  | 3          | b3 | c3 |
  +------------+---+---+

• Contoh 5: Ambil sampel n rekaman dari tabel tblsample_test.

  select * FROM tblsample_test TABLESAMPLE (2 ROWS);
  
  -- Hasil berikut dikembalikan:
  +------------+---+---+
  | a          | b | c |
  +------------+---+---+
  | 2          | b2 | c2 |
  | 3          | b3 | c3 |
  +------------+---+---+