从没有变量的表中选择分层样本

Question

我需要对我的大桌子进行分层样本。具体来说，我想从我的表中选择 1/n 行没有偏差，即随机选择，选择每第 n 行，等等。

在我问这个问题之前，我尝试过this。但是，它对我不起作用，因为我使用的是 InfiniDB 引擎，而且正如我后来发现的那样，它不支持子表达式中的变量或类似的东西。有谁知道没有用户变量的方法？

我在想这样的事情：在我的表中，每一行都有一个唯一的字母数字 字符串 id，它可以看起来像 "1234567890"，或者像 "abcdef12345"。我正在考虑以某种方式将该字符串转换为数字，然后使用模函数从我的表中仅选择 1/n 行。但是，我不知道如何进行转换，因为这个字符串不是十六进制的。

注意：我的表没有有一个自动递增的列。

Answer 1

这很复杂，但你可以做到。它需要自连接和聚合，在此查询中使用相关子查询实现。我的猜测是这不会很好，因为你大概有一张大桌子。对于 10% 的样本，它看起来像：

select ht.*,
       (select count(*)
        from hugetable ht2
        where ht2.col < ht.col or
              (ht2.col = ht.col and ht2.id <= ht.id)
       ) as rn
from hugetable ht
having rn % 10 = 1;

请注意，在此上下文中使用 having 是特定于 MySQL 的。它允许您在不使用子查询的情况下过滤行。

编辑：

可能唯一可行的方法——你可以做到——是创建另一个具有自动递增 id 的表。这是一个精简版：

create table temp (
    id int auto_increment,
    idstring varchar(255),
    col varchar(255)
);

insert into temp(idstring, col)
    select idstring, col
    from hugetable ht
    order by col;

select *
from temp
where id % 10 = 1;