SQL：按分组变量抽样并筛选关联数据

原始数据 #

需求说明 #

抽取指定数量的分组样本，保留这些分组下的所有关联数据。例如抽样2个分组（g1、g3），期望得到如下结果：

实现方案 #

方案1：Python pandas处理 #

import pandas as pd

# 构造原始数据（实际场景可替换为读取文件/数据库）
df = pd.DataFrame({
    'V1': ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i'],
    'Group': ['g1', 'g1', 'g1', 'g2', 'g2', 'g2', 'g3', 'g3', 'g3'],
    'time': [1, 2, 3, 1, 2, 3, 5, 6, 7]
})

# 方式A：指定目标分组
target_groups = ['g1', 'g3']
# 方式B：随机抽取2个分组
# target_groups = df['Group'].drop_duplicates().sample(n=2).tolist()

# 筛选数据
result = df[df['Group'].isin(target_groups)]
print(result)

方案2：SQL查询 #

假设数据表名为data_table：

• 指定分组查询：

SELECT *
FROM data_table
WHERE `Group` IN ('g1', 'g3');

• 随机抽取指定数量分组（以MySQL为例）：

SELECT t.*
FROM data_table t
INNER JOIN (
    SELECT DISTINCT `Group`
    FROM data_table
    ORDER BY RAND()
    LIMIT 2
) sampled ON t.`Group` = sampled.`Group`;

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