SAMPLE / TABLESAMPLE¶

Sintaxe¶

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

Onde:

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

Copy

Parâmetros¶

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

Especifica o método de amostragem a ser utilizado:

• BERNOULLI (ou ROW): inclui cada linha com uma probability de p/100. Este método é semelhante a lançar uma moeda ponderada para cada linha.

• SYSTEM (ou BLOCK): inclui cada bloco de linhas com uma probability de p/100. Esse método é semelhante a lançar uma moeda ponderada para cada bloco de linhas. Esse método não é compatível com amostragem de tamanho fixo.

O método de amostragem é opcional. Se nenhum método for especificado, o padrão é BERNOULLI.

probability ou . num ROWS

Especifica se a amostragem deve ser baseada em uma fração da tabela ou em um número fixo de linhas na tabela, onde:

• probability especifica a porcentagem de probabilidade a ser usada para a seleção da amostra. Pode ser qualquer número decimal entre 0 (nenhuma linha selecionada) e 100 (todas as linhas selecionadas) inclusive.

• num especifica o número de linhas (até 1.000.000) a serem amostradas a partir da tabela. Pode ser qualquer número inteiro entre 0 (nenhuma linha selecionada) e 1000000 inclusive.

Além de usar literais para especificar probability ou num ROWS, também é possível usar variáveis de sessão ou de ligação.

{ REPEATABLE | SEED ( seed ) }

Especifica um valor de semente para tornar a amostragem determinística. Pode ser qualquer número inteiro entre 0 e 2147483647, inclusive. Este parâmetro se aplica somente às amostragens SYSTEM e BLOCK.

Além de usar literais para especificar seed, também é possível usar variáveis de sessão ou de vinculação.

Notas de uso¶

• As seguintes palavras-chave podem ser usadas de forma intercambiável:

  • SAMPLE | TABLESAMPLE

  • BERNOULLI | ROW

  • SYSTEM | BLOCK

  • REPEATABLE | SEED

• O número de linhas retornadas depende do método de amostragem especificado e se a amostra é baseada em uma fração da tabela ou em um número fixo de linhas na tabela:

  Baseado em frações:

  • Para a amostragem BERNOULLI | ROW, o número esperado de linhas devolvidas é (p/100)*n. Para a amostragem SYSTEM | BLOCK, a amostra pode ser tendenciosa, principalmente para tabelas pequenas.

    Nota

    Para tabelas muito grandes, a diferença entre os dois métodos deve ser insignificante.

    Além disso, como a amostragem é um processo probabilístico, o número de linhas retornadas não é exatamente igual a (p/100)*n linhas, mas está próximo desse valor.

  • Se nenhuma seed for especificada, SAMPLE gera resultados diferentes quando a mesma consulta é repetida.

  • Se uma tabela não for alterada e os mesmos seed e probability forem especificados, SAMPLE gerará o mesmo resultado. No entanto, a amostragem em uma cópia de uma tabela pode não retornar o mesmo resultado que a amostragem na tabela original, mesmo que os mesmos probability e seed sejam especificados.

  Tamanho fixo:

  • Se a tabela for maior do que o número de linhas solicitado, o número de linhas solicitado é sempre retornado.

  • Se a tabela for menor do que o número de linhas solicitado, a tabela inteira é retornada.

  • SYSTEM | BLOCK e SEED (seed) não são compatíveis com amostragens de tamanho fixo. Por exemplo, as seguintes consultas produzem erros:

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

    Copy

• A amostragem com SEED (seed) não é compatível com exibições ou subconsultas. Por exemplo, a consulta a seguir produz um erro:

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

  Copy

• A amostragem do resultado de uma união é permitida, mas somente quando ambos dos itens a seguir forem verdadeiros:

  • A amostragem é baseada em linhas (Bernoulli).

  • A amostragem não usa uma semente.

  A amostragem é feita após a junção ter sido totalmente processada. Portanto, a amostragem não reduz o número de linhas unidas e não reduz o custo da junção. A seção Exemplos inclui um exemplo de amostragem do resultado de uma junção.

• Tanto a cláusula LIMIT quanto a cláusula SAMPLE retorna um subconjunto de linhas de uma tabela. Quando você usa a cláusula LIMIT, o Snowflake retorna o número especificado de linhas da maneira mais rápida possível. Quando você usa a cláusula SAMPLE, o Snowflake retorna linhas com base no método de amostragem especificado na cláusula.

Considerações de desempenho¶

• A amostragem SYSTEM | BLOCK é muitas vezes mais rápida do que a amostragem BERNOULLI | ROW.

• A amostragem sem um seed é frequentemente mais rápida do que a amostragem com um seed.

• A amostragem de tamanho fixo pode ser mais lenta do que a amostragem equivalente baseada em frações porque a amostragem de tamanho fixo impede alguma otimização de consulta.

Exemplos¶

Os exemplos a seguir usam a cláusula 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);