SQL/Hive SQL如何按某列两类取值抽取各占一半的样本

原有查询问题说明 #

你之前的查询未做分区域的抽样控制，直接用全局LIMIT取前N条，若表中单一区域的数据排序靠前，就会出现返回结果仅包含单个区域的问题。

方案1：窗口函数实现（兼容性好，逻辑清晰） #

通过分区窗口函数给每个区域的行做随机排序后取指定条数，即可实现两个区域各占50%的抽样需求。
不同数据库的随机生成函数略有差异，示例以MySQL为例：

SELECT * FROM (
    SELECT *,
           -- 按区域分区，对每个区域内的行做随机排序编号
           ROW_NUMBER() OVER (PARTITION BY region ORDER BY RAND()) AS region_rn
    FROM TBL
    -- 先过滤出两个目标区域，可根据实际取值调整为like匹配
    WHERE region IN ('USA', 'Mexico')
) t
-- 每个区域各取500条，总样本1000条，占比各50%，可按需调整数值
WHERE region_rn <= 500;

其他数据库随机函数替换提示：PostgreSQL替换为RANDOM()，SQL Server替换为NEWID()。

方案2：UNION ALL实现（兼容不支持窗口函数的低版本数据库） #

分别对两个区域抽样后合并结果：

-- 抽取USA的500条随机样本
(SELECT * FROM TBL WHERE region = 'USA' ORDER BY RAND() LIMIT 500)
UNION ALL
-- 抽取Mexico的500条随机样本
(SELECT * FROM TBL WHERE region = 'Mexico' ORDER BY RAND() LIMIT 500);

注意事项 #

• 若需要调整总样本量，保持两个区域的抽取条数一致即可维持各50%的占比
• 请先确认表中region字段的实际取值（比如大小写、是否为缩写），避免匹配规则错误导致某一区域无数据返回
• 随机排序逻辑可保证每次抽取的样本无规律，适合PPT演示场景

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