嘿，我来帮你搞定这个抽样问题！针对你手里百万级的多年度数据集，要每天抽取能代表当日特征的1000行样本，我整理了几种实用的SQL方案，还特意照顾到你提到的日期处理薄弱点：

不要直接取当日前1000行，因为这类数据通常是按时间顺序写入的，前1000行大概率集中在凌晨或某个固定时段，完全无法代表全天的数据特征。正确的做法是先把数据按日期维度分组，再在每个日期组内做随机排序，最后抽取前1000行；如果要更严格地覆盖多个时段，还可以按小时细分后再抽样。

不同数据库的具体实现方案 #

因为不同SQL方言的日期处理、随机函数略有差异，下面分几种常用数据库给出代码：

MySQL/MariaDB 方案 #

用DATE()函数快速提取日期字段，结合窗口函数实现分组随机抽样：

SELECT *
FROM (
    SELECT 
        *,
        -- 按日期分组，组内随机排序后给行编号
        ROW_NUMBER() OVER (PARTITION BY DATE(your_datetime_column) ORDER BY RAND()) AS row_num
    FROM your_large_table
) AS ranked_data
WHERE row_num <= 1000;

如果要强化时段覆盖，可以按「日期+小时」分组，每个小时抽取固定行数（比如1000÷24≈42行）：

SELECT *
FROM (
    SELECT 
        *,
        ROW_NUMBER() OVER (PARTITION BY DATE(your_datetime_column), HOUR(your_datetime_column) ORDER BY RAND()) AS hour_row_num
    FROM your_large_table
) AS hourly_ranked
WHERE hour_row_num <= 42;

PostgreSQL 方案 #

PostgreSQL可以用::DATE快速转换日期，随机函数用RANDOM()：

SELECT *
FROM (
    SELECT 
        *,
        ROW_NUMBER() OVER (PARTITION BY your_datetime_column::DATE ORDER BY RANDOM()) AS row_num
    FROM your_large_table
) AS ranked_data
WHERE row_num <= 1000;

同样，要覆盖时段的话，用DATE_TRUNC('hour', your_datetime_column)按小时分组：

SELECT *
FROM (
    SELECT 
        *,
        ROW_NUMBER() OVER (PARTITION BY DATE_TRUNC('hour', your_datetime_column) ORDER BY RANDOM()) AS hour_row_num
    FROM your_large_table
) AS hourly_ranked
WHERE hour_row_num <= 42;

SQL Server 方案 #

SQL Server用CAST(your_datetime_column AS DATE)转换日期，注意窗口函数里不能直接用RAND()（它会一次性生成所有行的相同随机值），要用NEWID()实现真正的随机排序：

SELECT *
FROM (
    SELECT 
        *,
        ROW_NUMBER() OVER (PARTITION BY CAST(your_datetime_column AS DATE) ORDER BY NEWID()) AS row_num
    FROM your_large_table
) AS ranked_data
WHERE row_num <= 1000;

性能优化小技巧 #

针对百万级数据集，这些方法能帮你提速：

• 给日期字段（或转换后的日期表达式）建索引，比如MySQL里的函数索引：CREATE INDEX idx_date ON your_large_table(DATE(your_datetime_column));
• 如果数据库支持分区表，按日期分区能大幅减少扫描的数据量
• 若RAND()/RANDOM()速度太慢，可以用哈希函数替代，比如MySQL用ORDER BY CRC32(id_column)，SQL Server用ORDER BY HASHBYTES('MD5', CAST(id_column AS VARCHAR))，随机性足够且性能更好

进阶：精准控制时段分布的抽样 #

如果要保证每天刚好1000行，且每个小时都有样本（避免某些小时被遗漏），可以用「基础抽样+补抽」的方式（以MySQL为例）：

-- 第一步：每个小时先抽41行（41×24=984行）
SELECT *
FROM (
    SELECT 
        *,
        ROW_NUMBER() OVER (PARTITION BY DATE(your_datetime_column), HOUR(your_datetime_column) ORDER BY RAND()) AS hour_row_num
    FROM your_large_table
) AS base_sample
WHERE hour_row_num <= 41

UNION ALL

-- 第二步：随机选16个小时，每个小时多抽1行（凑够1000行）
SELECT *
FROM (
    SELECT 
        *,
        ROW_NUMBER() OVER (PARTITION BY DATE(your_datetime_column), HOUR(your_datetime_column) ORDER BY RAND()) AS hour_row_num,
        -- 给当天的小时随机排序，选前16个
        ROW_NUMBER() OVER (PARTITION BY DATE(your_datetime_column) ORDER BY RAND()) AS hour_rank
    FROM your_large_table
) AS extra_sample
WHERE hour_row_num = 42 AND hour_rank <= 16;

内容的提问来源于stack exchange，提问作者Mar