SAMPLE 子句

SAMPLE 子句文档

SAMPLE 子句支持近似 SELECT 查询处理。

启用数据采样后，查询不会在全部数据上执行，而只会在其中一部分数据 (样本) 上执行。例如，如果需要计算所有 visits 的统计信息，只需对全部 visits 的 1/10 数据执行查询，再将结果乘以 10 即可。

近似查询处理在以下情况下很有用：

• 当你对延迟有严格要求 (例如低于 100ms) ，但又无法为满足这些要求而承担额外硬件资源的成本时。
• 当原始数据本身并不精确，因此近似处理不会明显降低结果质量时。
• 当业务上只要求近似结果 (例如为了控制成本，或将精确结果提供给付费高级用户) 时。

只有 MergeTree 家族中的表才能使用采样，而且仅当在创建表时指定了采样表达式时才可用 (参见 MergeTree engine) 。

数据采样具有以下特性：

• 数据采样是一种确定性机制。相同的 SELECT .. SAMPLE 查询，结果始终相同。
• 采样在不同表之间是一致的。对于只有一个采样键的表，使用相同系数的采样总会选中相同的潜在数据子集。例如，对用户 ID 进行采样时，会从不同表中选取对应于同一组用户 ID 子集的行。这意味着你可以在 IN 子句中的子查询里使用采样，也可以通过 JOIN 子句连接这些样本。
• 采样可以减少从磁盘读取的数据量。请注意，必须正确指定采样键。更多信息请参见 Creating a MergeTree Table。

SAMPLE 子句支持以下语法：

SAMPLE 子句语法	描述
SAMPLE k	其中 k 是 0 到 1 之间的数。查询会在占全部数据 k 比例的样本上执行。例如，SAMPLE 0.1 表示在 10% 的数据上运行查询。阅读更多
SAMPLE n	其中 n 是一个足够大的整数。查询会在至少 n 行的样本上执行 (但不会明显超过这个数量) 。例如，SAMPLE 10000000 表示在至少 10,000,000 行上运行查询。阅读更多
SAMPLE k OFFSET m	其中 k 和 m 是 0 到 1 之间的数。查询会在占全部数据 k 比例的样本上执行，所使用的样本数据会按 m 的比例进行偏移。阅读更多

​

SAMPLE K

这里的 k 是一个 0 到 1 之间的数 (支持分数和小数两种表示方式) 。例如，SAMPLE 1/2 或 SAMPLE 0.5。

在 SAMPLE k 子句中，会从 k 比例的数据中抽取样本。示例如下：

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，查询是在 0.1 (10%) 的数据样本上执行的。聚合函数的值不会自动校正，因此要得到近似结果，需要将 count() 的值手动乘以 10。

​

SAMPLE N

这里的 n 是一个足够大的整数。例如，SAMPLE 10000000。

在这种情况下，查询会在至少 n 行的样本上执行 (但不会明显超过这个数量) 。例如，SAMPLE 10000000 会在至少 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 设置指定，因此将样本设得远大于粒度大小才更合理。

使用 SAMPLE n 子句时，你无法知道实际处理了数据的多少相对比例。因此，你也无法确定聚合函数应乘以的系数。可使用 _sample_factor 虚拟列来获取近似结果。

_sample_factor 列包含动态计算出的相对系数。使用指定的采样键创建表时，会自动创建这一列。下面展示了 _sample_factor 列的使用示例。

以表 visits 为例，它包含网站访问统计信息。第一个示例展示了如何计算页面浏览量：

SELECT sum(PageViews * _sample_factor)
FROM visits
SAMPLE 10000000

下面的示例展示了如何计算访问总次数：

SELECT sum(_sample_factor)
FROM visits
SAMPLE 10000000

下面的示例说明了如何计算平均会话耗时。请注意，计算平均值时不需要使用相对系数。

SELECT avg(Duration)
FROM visits
SAMPLE 10000000

​

SAMPLE K OFFSET M

这里的 k 和 m 是介于 0 和 1 之间的数字。示例如下。

示例 1

SAMPLE 1/10

在此例中，样本占全部数据的 1/10：

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

示例 2

SAMPLE 1/10 OFFSET 1/2

这里会从数据后半部分抽取 10% 的样本。

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