SASでprocsqlを使用してウェアハウス（Oracleエンジン）からデータをプルする際の単純なランダムサンプリング

DBMS_RANDOMパッケージを使用してレコードを並べ替えてから、行制限句を使用して目的のサンプルサイズに制限します

dbms_random.value関数は、テーブル内のすべての行について0〜1の乱数を取得し、ランダム値の昇順で並べ替えます。

識別したサンプルセットを作成する方法は次のとおりです。

    SELECT
    *
FROM
    (
        SELECT
            *
        FROM
            tbl1
        ORDER BY dbms_random.value
    )
FETCH FIRST 1000000 ROWS ONLY;

サンプルスキーマテーブルでデモンストレーションするには、emp 、4つのレコードをサンプリングします：

   [email protected]> SELECT
  2      empno,
  3      rnd_val
  4  FROM
  5      (
  6          SELECT
  7              empno,
  8              dbms_random.value rnd_val
  9          FROM
 10              emp
 11          ORDER BY rnd_val
 12      )
 13  FETCH FIRST 4 ROWS ONLY;
EMPNO  RND_VAL
7698   0.06857749035643605682648168347885993709
7934   0.07529612360785920635181751566833986766
7902   0.13618520865865754766175030040204331697
7654   0.14056380246495282237607922497308953768


[email protected]> SELECT
  2      empno,
  3      rnd_val
  4  FROM
  5      (
  6          SELECT
  7              empno,
  8              dbms_random.value rnd_val
  9          FROM
 10              emp
 11          ORDER BY rnd_val
 12      )
 13  FETCH FIRST 4 ROWS ONLY;
EMPNO  RND_VAL
7839   0.00430658806761508024693197916281775492
7499   0.02188116061148367312927392115186317884
7782   0.10606515700372416131060633064729870016
7788   0.27865276349549877512032787966777990909

上記の例では、empno SQL*Plusコマンドの実行中に大幅に変更されます。

パフォーマンスは、説明している行数の問題である可能性があります。

編集：

テーブルのサイズが150ギガから79MMのオーダーであるため、並べ替えは面倒です。

テーブルに1ずつインクリメントされたシーケンスに基づく代理キーがある場合、キーに基づいてn番目ごとのレコードを選択するアプローチを取ることができます。

例えば

    --scenario n = 3000

 FROM
    tbl1
WHERE
    mod(table_id, 3000) = 0;

このアプローチでは（関数ベースのインデックスが作成されない限り）インデックスは使用されませんが、少なくともこのサイズのデータ​​セットに対して並べ替えは実​​行されません。

8000万件近くのレコードがあるテーブルで説明プランを実行し、全表スキャンを実行します（条件により、関数ベースのインデックスなしでこれが強制されます）が、これは維持可能に見えます。