Teradata SQL实现不拆分客户组的随机抽样需求

核心思路是先抽样客户群体，再提取这些客户的所有订单记录，避免拆分单个客户的关联数据。以下是两种可行的实现方式：

方式一：基于客户记录数估算抽样（精准控制样本量） #

如果需要更精准地接近200万条样本，可以先统计每个客户的订单数，再按随机顺序累加，直到总记录数接近200万，最后提取这些客户的全部记录：

-- 第一步：统计每个客户的订单数，随机排序后计算累计记录数
WITH customer_order_counts AS (
    SELECT 
        Cust_ID,
        COUNT(Order) AS order_count
    FROM your_table
    GROUP BY Cust_ID
),
ranked_customers AS (
    SELECT 
        Cust_ID,
        order_count,
        SUM(order_count) OVER (ORDER BY RAND()) AS cumulative_total
    FROM customer_order_counts
)
-- 第二步：选取累计记录数未超过200万的客户，再关联原表取出所有订单
SELECT t.*
FROM your_table t
JOIN (
    SELECT Cust_ID
    FROM ranked_customers
    WHERE cumulative_total <= 2000000
) sampled_customers ON t.Cust_ID = sampled_customers.Cust_ID;

注：RAND()函数在不同数据库写法有差异，比如Snowflake用RANDOM()，MySQL/BigQuery用RAND()，按需调整即可。

方式二：随机抽样客户（快速实现） #

如果对样本量精准度要求不高，只需要约200万条，可以先按比例随机抽取客户，再拉取他们的所有记录：

-- 第一步：随机抽取客户（按平均订单数估算比例，比如1300万总记录/200万目标≈6.5，即抽取约15%的客户）
WITH sampled_customers AS (
    SELECT DISTINCT Cust_ID
    FROM your_table
    WHERE RAND() <= 0.15 -- 比例可根据实际样本偏差微调
)
-- 第二步：提取这些客户的所有订单记录
SELECT t.*
FROM your_table t
JOIN sampled_customers ON t.Cust_ID = sampled_customers.Cust_ID;

这种方法更简洁，适合快速落地，若最终样本量和目标偏差较大，微调比例值即可。

补充说明 #

• 两种方法都严格保证了"选中客户的所有订单必被纳入样本"的要求
• 若数据库支持TABLESAMPLE（如PostgreSQL），也可直接对去重后的客户集做抽样，再关联原表，本质和方式二一致

内容的提问来源于stack exchange，提问作者TheJammyHamster