Snowflake SQL中Sample函数抽取10%分组结果占比不符问题排查

问题背景 #

尝试为表中**10%的唯一分组（distinct groups）**设置control_status=true，执行无报错，但实际约1/3的分组被标记为true（总唯一分组15万，标记5万），与预期10%偏差极大。使用的是Snowflake SQL。

原代码 #

update table 
    set control_status=true
    where group_id in
       (select DISTINCT(group_id) from table sample(10));

update table 
    set control_status=false
    where control_status is null;


select control_status, count(distinct(group_id)),count(distinct(person_id)), count(control_status) from table group by control_status;

执行结果 #

问题原因 #

• Snowflake的SAMPLE(n)是按行抽样，而非按分组抽样。
• 原SQL先对全表抽取10%的行，再通过DISTINCT得到group_id，本质是“抽取10%行对应的分组”，不是“抽取10%的唯一分组”。
• 分组对应的行数越多，被抽到的概率越高，最终选中的分组数量会远多于总唯一分组的10%（比如大分组更容易被命中）。

解决方法 #

先提取所有唯一分组，再对这个唯一分组集合抽样10%，确保抽样对象是分组而非行：

方法1：基于唯一分组子查询抽样 #

UPDATE table 
SET control_status = true
WHERE group_id IN (
    SELECT group_id 
    FROM (SELECT DISTINCT group_id FROM table) AS unique_groups
    SAMPLE(10)
);

UPDATE table 
SET control_status = false
WHERE control_status IS null;

方法2：用随机数精确控制抽样比例（稳定性更高） #

WITH unique_groups AS (
    SELECT DISTINCT group_id, RANDOM() AS rand_val
    FROM table
),
sampled_groups AS (
    SELECT group_id
    FROM unique_groups
    ORDER BY rand_val
    LIMIT (SELECT COUNT(*) * 0.1 FROM unique_groups)
)
UPDATE table
SET control_status = TRUE
WHERE group_id IN (SELECT group_id FROM sampled_groups);

UPDATE table
SET control_status = FALSE
WHERE control_status IS NULL;

验证逻辑 #

执行后重新统计确认结果：

SELECT 
    control_status, 
    COUNT(DISTINCT group_id) AS unique_groups_count,
    COUNT(DISTINCT person_id) AS unique_persons_count,
    COUNT(*) AS total_records
FROM table 
GROUP BY control_status;

此时unique_groups_count中True的数量应接近总唯一分组的10%。

内容的提问来源于stack exchange，提问作者Alexis