TABLESAMPLE - MaxCompute: Central de Documentação do Alibaba Cloud

Use TABLESAMPLE para amostrar linhas de uma tabela sem examinar todo o conjunto de dados. Três métodos de amostragem estão disponíveis:

TABLESAMPLE (BUCKET x OUT OF y [ON col_name | RAND()]) — retorna um bucket dentre y partições de tamanho igual
TABLESAMPLE (n PERCENT) — retorna aproximadamente n% das linhas
TABLESAMPLE (m ROWS) — retorna até m linhas aleatoriamente

A amostragem baseada em porcentagem gera resultados aproximados. A porcentagem real pode diferir do valor especificado.

Sintaxe

Amostragem por bucket

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

Parâmetro	Descrição
`x`	Bucket a amostrar. A numeração dos buckets começa em 1.
`y`	Número total de buckets para dividir os dados.
`col_name`	Uma ou mais colunas usadas para distribuir as linhas nos buckets. Especifique até 10 colunas em uma única cláusula `ON`. Obrigatório se a tabela não for clusterizada.
`RAND()`	Distribui as linhas nos buckets aleatoriamente, em vez de usar valores de coluna. Use quando nenhuma distribuição específica por coluna for necessária.

Para tabelas não clusterizadas, inclua ON col_name ou ON RAND().

Amostragem por porcentagem

TABLESAMPLE (<n> PERCENT)

O parâmetro n representa a porcentagem da amostragem. O resultado contém cerca de n% das linhas da tabela source. Esse valor não é exato.

Amostragem por linhas

TABLESAMPLE (<m> ROWS)

O valor m indica o número de linhas a retornar. Se a tabela source tiver menos linhas que m, todas as linhas serão retornadas. O valor máximo para m é 10.000.

Considerações sobre desempenho

Tabelas clusterizadas oferecem leitura mais rápida. Como os dados já estão pré-organizados em buckets, a amostragem por bucket acessa diretamente o bucket alvo e evita a varredura de dados irrelevantes.
Escolha valores de y alinhados ao número de buckets da tabela. Para uma tabela clusterizada com 32 buckets, defina y como um múltiplo de 32 (como 32, 64 ou 128) ou um divisor de 32 (como 16, 8 ou 4) para evitar leituras parciais de buckets.

Dados de exemplo

Os exemplos a seguir usam duas tabelas.

**BIGDATA_PUBLIC_DATASET.life_service.phoneno_basic_info_2020** — tabela dos conjuntos de dados públicos do MaxCompute. Para mais detalhes, consulte Overview.

**tblsample_test** — tabela clusterizada criada com os seguintes comandos:

-- Create the tblsample_test table.
CREATE TABLE tblsample_test(a bigint, b string, c string)
  CLUSTERED BY (a, c) SORTED by (a, c) INTO 32 BUCKETS;

-- Insert data into the table.
INSERT OVERWRITE TABLE tblsample_test VALUES
  (1,"b1","c1"),
  (2,"b2","c2"),
  (3,"b3","c3"),
  (4,"b4","c4");

-- Verify the inserted data.
SELECT * FROM tblsample_test;
-- Result:
-- +------------+----+-----+
-- | a          | b  | c   |
-- +------------+----+-----+
-- | 2          | b2 | c2  |
-- | 4          | b4 | c4  |
-- | 3          | b3 | c3  |
-- | 1          | b1 | c1  |
-- +------------+----+-----+

Exemplos

Exemplo 1: Amostragem por valores de coluna

Distribua as linhas em buckets com base nos valores das colunas e retorne as linhas de um bucket específico.

-- Sample bucket 1 out of 1,000,000 from the public dataset, bucketed by isp_code, phoneno, and province.
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;

-- Result:
-- +----------+---------+----------+
-- | isp_code | phoneno | province |
-- +----------+---------+----------+
-- | 185      | 1853500 | Shanxi   |
-- | 187      | 1878332 | Sichuan  |
-- +----------+---------+----------+

Exemplo 2: Amostragem com atribuição aleatória de buckets

Use RAND() para distribuir as linhas nos buckets aleatoriamente e retorne um bucket específico.

-- Sample bucket 3 out of 500,000 using random bucket assignment.
SELECT isp_code,
       phoneno,
       province
  FROM BIGDATA_PUBLIC_DATASET.life_service.phoneno_basic_info_2020
TABLESAMPLE (BUCKET 3 OUT OF 500000 ON RAND()) s;

-- Result:
-- +----------+---------+----------+
-- | isp_code | phoneno | province |
-- +----------+---------+----------+
-- | 131      | 1312224 | Shanghai  |
-- | 135      | 1353936 | Guangdong |
-- | 158      | 1586377 | Shandong  |
-- +----------+---------+----------+

Exemplo 3: Amostragem de tabela clusterizada sem especificar ON

Para tabelas clusterizadas, omita a cláusula ON. As linhas são obtidas diretamente do bucket pré-organizado.

SELECT a, b FROM tblsample_test TABLESAMPLE (BUCKET 1 OUT OF 2) AS ts;

-- Result:
-- +------------+----+
-- | a          | b  |
-- +------------+----+
-- | 2          | b2 |
-- +------------+----+

Nota

A tabela tblsample_test tem 32 buckets. Ao usar y = 2 (um divisor de 32), o MaxCompute recupera dados exatamente nos limites dos buckets, o que melhora o desempenho. Consulte Considerações sobre desempenho.

Exemplo 4: Amostragem por porcentagem

Retorne aproximadamente 50% das linhas de tblsample_test.

SELECT * FROM tblsample_test TABLESAMPLE (50 PERCENT) s;

-- Result:
-- +------------+----+----+
-- | a          | b  | c  |
-- +------------+----+----+
-- | 2          | b2 | c2 |
-- | 3          | b3 | c3 |
-- +------------+----+----+

Exemplo 5: Amostragem de um número fixo de linhas

Retorne 2 linhas de tblsample_test.

SELECT * FROM tblsample_test TABLESAMPLE (2 ROWS);

-- Result:
-- +------------+----+----+
-- | a          | b  | c  |
-- +------------+----+----+
-- | 2          | b2 | c2 |
-- | 3          | b3 | c3 |
-- +------------+----+----+