使用阿里云maxcompute sql随机从查询数据中抽取n条样本

近些年大数据发展迅速,大数据生态圈也越来越丰富。使用sql进行数据分析时有个常用的组件叫 HIVE ,而阿里云则提供了类似HIVE功能的商业云服务,称为 maxcompute 。

今天记录一下使用maxcompute sql从数据中随机抽取n条样本的方法。

假设有数据如下:

id name
1 张三
2 李四
3 王五
4 龙傲天
5 刘斩仙
6 赵日天

我们想随机从上表中抽取3条数据,应该怎么写?

假设表名为tmp_table:

select id,name from tmp_table
order by rand() limit 3

这样就能够从表中随机抽取3条数据了。假设我们运行的结果如下:

1 张三
3 王五
4 龙傲天

你可以尝试反复运行上面的sql,然后就会发现,每次运行的结果都是相同的,随机抽取数据都是上面给的3条。为什么呢?

从sql来理解,上面的语句相当于生成了一个随机序列,每条记录都分配了一个随机值,然后所有记录按照随机值排序,从排序结果中取前3条,以此达到随机选择的目的。

然后rand()方法产生随机数需要使用随机数种子,相同随机数种子产生的随机数永远都是一样的。当不传递随机数种子时,函数将使用默认的固定随机数种子,所以无论运行多少次,产生的随机数都是固定的。

那要怎么解决这个问题呢?传入每次都会变化的随机数种子就可以啦。比如选择当前的时间戳:

select id,name from tmp_table
order by rand(unix_timestamp()) limit 3

现在,每次运行的结果都不一样咯,搞定!

参考文章:

MaxCompute SQL随机抽取N行数据

你可能感兴趣的:(杂七杂八)