Snowflake环境下将表A的10%数据复制到新表COPY_A的最优方案咨询

以下是几种实用的实现方式，可根据你的具体需求选择：

1. 使用SAMPLE子句（推荐，性能最优） #

这是Snowflake原生的抽样方法，针对大型表做了优化，能快速获取随机样本：

CREATE TABLE COPY_A AS
SELECT * FROM TABLE_A SAMPLE (10);

• 如果需要可重复的测试数据集，可以添加固定种子值，确保每次抽样结果一致：

CREATE TABLE COPY_A AS
SELECT * FROM TABLE_A SAMPLE (10, 123); -- 123为自定义种子值，可替换为任意整数

2. 使用TABLESAMPLE子句 #

和SAMPLE功能类似，支持按百分比或行数抽样：

• 按百分比抽样：

CREATE TABLE COPY_A AS
SELECT * FROM TABLE_A TABLESAMPLE (10 PERCENT);

• 按固定行数抽样（比如100万条的10%即10万条）：

CREATE TABLE COPY_A AS
SELECT * FROM TABLE_A TABLESAMPLE (100000 ROWS);

3. 使用RANDOM()函数过滤（灵活度高） #

适合需要自定义抽样逻辑的场景，通过生成随机数筛选行：

CREATE TABLE COPY_A AS
SELECT * FROM TABLE_A
WHERE RANDOM() < 0.1; -- 筛选随机数小于0.1的行，近似10%比例

• 同样支持固定种子实现可重复抽样：

CREATE TABLE COPY_A AS
SELECT * FROM TABLE_A
WHERE RANDOM(123) < 0.1;

最佳实践建议 #

• 优先选择SAMPLE或TABLESAMPLE，它们是Snowflake优化后的抽样方式，比RANDOM()过滤的性能更好，尤其适合超大型表。
• 如果需要精确的10%行数（而非近似比例），可以结合窗口函数实现：

CREATE TABLE COPY_A AS
SELECT * FROM (
    SELECT *, ROW_NUMBER() OVER (ORDER BY RANDOM(123)) AS row_num
    FROM TABLE_A
)
WHERE row_num <= (SELECT COUNT(*) * 0.1 FROM TABLE_A);

这种方法会先给所有行排序，再取前10%，能保证行数精确，但性能略低于前两种方法。

内容的提问来源于stack exchange，提问作者agustin