SAMPLE 子句
SAMPLE
子句允许近似的 SELECT
查询处理。
当启用数据采样时,查询并非在所有数据上执行,而仅在某个数据的特定比例(样本)上执行。例如,如果您需要计算所有访问的统计信息,仅需在 1/10 的所有访问上执行查询,然后将结果乘以 10。
近似查询处理在以下情况下可能很有用:
- 当您有严格的延迟要求(如低于 100ms),但无法证明支出额外硬件资源以满足这些要求的合理性。
- 当您的原始数据不准确时,因此近似不会显著降低质量。
- 商业需求目标是近似结果(为了成本效益,或将确切结果市场销售给高端用户)。
数据采样的特点如下:
- 数据采样是一个确定性机制。同一
SELECT .. SAMPLE
查询的结果始终相同。 - 对于不同的表,采样结果是一致的。对具有单一采样键的表,相同系数的样本始终选择相同的可能数据子集。例如,用户 ID 的样本会从不同的表中选择具有相同子集的所有可能用户 ID 的行。这意味着您可以在 IN 子句中的子查询中使用样本。此外,您可以使用 JOIN 子句连接样本。
- 采样允许从磁盘读取更少的数据。请注意,您必须正确指定采样键。有关更多信息,请参见 创建 MergeTree 表。
对于 SAMPLE
子句,支持以下语法:
SAMPLE 子句语法 | 描述 |
---|---|
SAMPLE k | 这里 k 是从 0 到 1 的数字。查询在 k 比例的数据上执行。例如,SAMPLE 0.1 在 10% 的数据上运行查询。阅读更多 |
SAMPLE n | 这里 n 是一个足够大的整数。查询在至少 n 行的样本上执行(但不会比这多得多)。例如,SAMPLE 10000000 在至少 10,000,000 行上运行查询。阅读更多 |
SAMPLE k OFFSET m | 这里 k 和 m 是从 0 到 1 的数字。查询在 k 比例的数据样本上执行。用于样本的数据偏移 m 比例。阅读更多 |
SAMPLE K
这里 k
是从 0 到 1 的数字(支持分数和小数表示法)。例如,SAMPLE 1/2
或 SAMPLE 0.5
。
在 SAMPLE k
子句中,样本是从 k
比例的数据中获取的。下面是示例:
在此示例中,查询在 0.1(10%)的数据样本上执行。聚合函数的值不会自动修正,因此为了获得近似结果,count()
的值需要手动乘以 10。
SAMPLE N
这里 n
是一个足够大的整数。例如,SAMPLE 10000000
。
在这种情况下,查询在至少 n
行的样本上执行(但不会比这多得多)。例如,SAMPLE 10000000
在至少 10,000,000 行上运行查询。
由于数据读取的最小单位是一个粒度(其大小由 index_granularity
设置决定),因此设置一个比粒度大小大得多的样本是有意义的。
使用 SAMPLE n
子句时,您无法知道处理了哪个相对百分比的数据。因此,您不知道聚合函数应该乘以的系数。使用虚拟列 _sample_factor
来获得近似结果。
_sample_factor
列包含动态计算的相对系数。当您 创建 表时自动创建此列,并指定采样键。以下是 _sample_factor
列的使用示例。
让我们考虑表 visits
,该表包含有关网站访问的统计信息。第一个示例展示如何计算页面视图的数量:
下一个示例展示如何计算总访问次数:
下面的示例展示如何计算平均会话持续时间。请注意,您不需要使用相对系数来计算平均值。
SAMPLE K OFFSET M
这里 k
和 m
是从 0 到 1 的数字。示例如下。
示例 1
在此示例中,样本为所有数据的 1/10:
[++------------]
示例 2
在这里,从数据的后半部分采样 10%。
[------++------]