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）。

备注

您只能在 MergeTree 家族中的表上使用采样，并且仅在创建表时指定了采样表达式的情况下（请参见 MergeTree 引擎）。

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：

SELECT
    Title,
    count() * 10 AS PageViews
FROM hits_distributed
SAMPLE 0.1
WHERE
    CounterID = 34
GROUP BY Title
ORDER BY PageViews DESC LIMIT 1000

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：

SELECT sum(PageViews * _sample_factor)
FROM visits
SAMPLE 10000000

下一个示例展示如何计算总访问次数：

SELECT sum(_sample_factor)
FROM visits
SAMPLE 10000000

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。

SELECT avg(Duration)
FROM visits
SAMPLE 10000000

SAMPLE K OFFSET M

这里 k 和 m 是从 0 到 1 的数字。示例如下。

示例 1

SAMPLE 1/10

在此示例中，样本为所有数据的 1/10：

[++------------]

示例 2

SAMPLE 1/10 OFFSET 1/2

在这里，从数据的后半部分采样 10%。

[------++------]