MySql：在不均匀分布的数据上均匀分布的样本量

Question

假设我有 10.000 个预订客户资料。 这些配置文件具有以下变量：

• 持续时间（放假天数）
• 目的地（可能是巴西）
• People_amount（有多少人）
• 起飞（他们想离开的日期）

我想通过预订引擎将其中的 1.000 个（10%）传递给定价，但为了开发独立的洞察分析，我必须（尽可能）平均分配配置文件的特征。例如。如果所有配置文件都有 3 种 People_amount（1、2 和 3），最终我希望在 People_amount = 1 的 33.33% 的 10% 内进行选择，在 People_amount = 2 和 33 的 33.33% 中进行选择,33%，People_amount = 3。

但是……

因为配置文件集不是均匀分布的（例如，所有配置文件的 70% 由 People_amount = 1 组成）我无法弄清楚如何找到/创建一种填满的循环（或其他东西）该特征内的所有品种的 SELECT 直到 1 用完并与其余部分一起进一步。

也许是一个示例，说明我想如何填写我的 10k 个人资料中的 10% 样本：

Profile_id  People_amount                                     Profile_id  People_amount
1           1                                                           1           1
2           1                                                           5           2
3           1                                                           8           3
4           1       --> Filling the sample by even distribution         2           1
5           2       of available profile characteristics                6           2
6           2                                                           9           3   
7           2                                                           3           1
8           3                                                           7           2
9           3                                                           4           1

希望你能帮忙！

Answer 1

您可以使用union 来限制每个子选择：

(SELECT * FROM profiles WHERE People_amount=1 LIMIT 333)
UNION
(SELECT * FROM profiles WHERE People_amount=2 LIMIT 333)
UNION
(SELECT * FROM profiles WHERE People_amount=3 LIMIT 333)

需要括号将LIMIT 应用于每个子选择。

更动态的方法

如果不知道people_amount 的可能值的数量，则上述方法不可行。然后我会提出一个查询，其中ORDER BY 子句根据出现次数分配people_amount 值。它不会给出完全相等的分布，但不同的值将在结果集中具有可比较的存在：

select     p.*
from       (
            select   people_amount,  
                     count(*) as occurrences
            from     profiles
            group by people_amount) as stats
inner join profiles p
        on p.people_amount = stats.people_amount         
order by   rand() * stats.occurrences
limit      1000

SQL fiddle（如果没有过载）。

如果您想将此扩展到其他列，例如 Destination，您可以按如下方式进行：

select     p.*
from       (
            select   people_amount,  
                     destination,
                     count(*) as occurrences
            from     profiles
            group by people_amount,
                     destination) as stats
inner join profiles p
        on p.people_amount = stats.people_amount         
       and p.destination = stats.destination
order by   rand() * stats.occurrences
limit      1000

这个想法是，出现次数少的值将获得较低的 order-by 值，因此会在结果集的开头更频繁地弹出，以补偿它们的低频率。