SAMPLE / TABLESAMPLE¶

Syntaxe¶

SELECT ...
FROM ...
  { SAMPLE | TABLESAMPLE } [ samplingMethod ]
[ ... ]

Où :

samplingMethod ::= { { BERNOULLI | ROW } ( { <probability> | <num> ROWS } ) |
                     { SYSTEM | BLOCK } ( <probability> ) [ { REPEATABLE | SEED } ( <seed> ) ] }

Copy

Paramètres¶

{ BERNOULLI | ROW } ou . { SYSTEM | BLOCK }

Spécifie la méthode d’échantillonnage à utiliser :

• BERNOULLI (ou ROW) : inclut chaque ligne avec une probability de p/100. Cette méthode est similaire au lancer d’une pièce lestée pour chaque ligne.

• SYSTEM (ou BLOCK) : inclut chaque bloc de lignes avec une probability de p/100. Cette méthode est similaire au lancer d’une pièce lestée pour chaque bloc de lignes. Cette méthode ne prend pas en charge l’échantillonnage à taille fixe.

La méthode d’échantillonnage est facultative. Si aucune méthode n’est spécifiée, la valeur par défaut est BERNOULLI.

probability ou . num ROWS

Spécifie si l’échantillonnage doit être basé sur une fraction de la table ou sur un nombre fixe de lignes de la table, où :

• probability spécifie le pourcentage de probabilité à utiliser pour la sélection de l’échantillon. Peut être n’importe quel nombre décimal entre 0 (aucune ligne sélectionnée) et 100 inclus (toutes les lignes sélectionnées).

• num spécifie le nombre de lignes (jusqu’à 1 000 000) à échantillonner dans la table. Peut être n’importe quel entier entre 0 (aucune ligne sélectionnée) et 1000000 inclus.

En plus d’utiliser des littéraux pour spécifier probability ou num ROWS, vous pouvez également utiliser des variables de liaison ou de session.

{ REPEATABLE | SEED ( seed ) }

Spécifie une valeur seed pour rendre l’échantillonnage déterministe. Peut être n’importe quel entier entre 0 et 2147483647 inclus. Ce paramètre s’applique uniquement à l’échantillonnage SYSTEM et BLOCK.

En plus d’utiliser des littéraux pour spécifier seed, vous pouvez également utiliser des variables de liaison ou de session.

Notes sur l’utilisation¶

• Les mots-clés suivants peuvent être utilisés de manière interchangeable :

  • SAMPLE | TABLESAMPLE

  • BERNOULLI | ROW

  • SYSTEM | BLOCK

  • REPEATABLE | SEED

• Le nombre de lignes renvoyées dépend de la méthode d’échantillonnage spécifiée :

  Basé sur une fraction:

  • Pour l’échantillonnage BERNOULLI | ROW, le nombre attendu de lignes renvoyées est (p/100)*n. Pour l’échantillonnage SYSTEM | BLOCK, l’échantillon peut être biaisé, en particulier pour les petites tables.

    Note

    Pour les très grandes tables, la différence entre les deux méthodes devrait être négligeable.

    De plus, comme l’échantillonnage est un processus probabiliste, le nombre de lignes renvoyées n’est pas exactement égal aux lignes (p/100)*n, mais il s’approche de cette valeur.

  • Si aucune valeur seed n’est spécifiée, SAMPLE génère des résultats différents lorsque la même requête est répétée.

  • Si une table ne change pas et que les mêmes valeurs seed et probability sont spécifiées, SAMPLE génère le même résultat. Cependant, l’échantillonnage sur une copie d’une table peut ne pas donner le même résultat que l’échantillonnage sur la table d’origine, même si les mêmes valeurs probability et seed sont spécifiées.

  Taille fixe:

  • Si la table est plus grande que le nombre de lignes demandé, le nombre de lignes demandé est toujours renvoyé.

  • Si la table est plus petite que le nombre de lignes demandé, la table entier est renvoyée.

  • SYSTEM | BLOCK et SEED (seed) ne sont pas pris en charge pour l’échantillonnage de taille fixe. Par exemple, les requêtes suivantes produisent des erreurs :

    SELECT * FROM example_table SAMPLE SYSTEM (10 ROWS);
    
    SELECT * FROM example_table SAMPLE ROW (10 ROWS) SEED (99);
    

    Copy

• L’échantillonnage avec un SEED (seed) n’est pas pris en charge pour les vues ou sous-requêtes. Par exemple, la requête suivante produit une erreur :

  SELECT * FROM (SELECT * FROM example_table) SAMPLE (1) SEED (99);
  

  Copy

• L’échantillonnage du résultat d’une jointure est autorisé, mais uniquement lorsque tous les éléments suivants sont vrais :

  • L’échantillon est basé sur des lignes (Bernoulli).

  • L’échantillonnage n’utilise pas de valeur seed.

  L’échantillonnage est effectué après le traitement complet de la jointure. Par conséquent, l’échantillonnage ne réduit pas le nombre de lignes jointes et ne réduit pas le coût de la jointure. La section Exemples inclut un exemple d’échantillonnage du résultat d’une jointure.

• La clause LIMIT comme la clause SAMPLE renvoie un sous-ensemble de lignes d’une table. Lorsque vous utilisez la clause LIMIT, Snowflake renvoie le nombre de lignes spécifié de la manière la plus rapide possible. Lorsque vous utilisez la SAMPLE clause, Snowflake renvoie des lignes en fonction de la méthode d’échantillonnage spécifiée dans la clause.

Considérations en matière de performances¶

• SYSTEM | BLOCK est souvent plus rapide que l’échantillonnage BERNOULLI | ROW.

• L’échantillonnage sans seed est souvent plus rapide que celui avec seed.

• L’échantillonnage à taille fixe peut être plus lent que l’échantillonnage équivalent basé sur une fraction parce que l’échantillonnage à taille fixe empêche une certaine optimisation des requêtes.

Exemples¶

Les exemples suivants utilisent la clause SAMPLE.

SELECT * FROM testtable SAMPLE (10);

SELECT * FROM testtable TABLESAMPLE BERNOULLI (20.3);

SELECT * FROM testtable TABLESAMPLE (100);

SELECT * FROM testtable SAMPLE ROW (0);

SELECT i, j
  FROM
    table1 AS t1 SAMPLE (25)
      INNER JOIN
    table2 AS t2 SAMPLE (50)
  WHERE t2.j = t1.i;

SELECT i, j
  FROM table1 AS t1 INNER JOIN table2 AS t2 SAMPLE (50)
  WHERE t2.j = t1.i;

SELECT *
  FROM (
       SELECT *
         FROM t1 JOIN t2
           ON t1.a = t2.c
       ) SAMPLE (1);

SELECT * FROM testtable SAMPLE SYSTEM (3) SEED (82);

SELECT * FROM testtable SAMPLE BLOCK (0.012) REPEATABLE (99992);

SELECT * FROM testtable SAMPLE (10 ROWS);