SQL中如何实现按比例抽样数据 ROW_NUMBER与百分比筛选

SQL中如何实现按比例抽样数据：ROW_NUMBER与百分比筛选

用 ROW_NUMBER() 做比例抽样为什么容易出错

很多朋友一上来就想用 ROW_NUMBER() OVER (ORDER BY NEWID()) 给全表编号，然后取前百分之几。这个思路听起来挺顺，但实际一跑就发现不对劲。问题出在哪儿？

首先，ROW_NUMBER() 本身是个确定性函数，可它依赖的 NEWID() 却是个“善变”的家伙——在同一行里多次调用，它可能给出不同的值。这就导致了排序结果不稳定，今天抽出来的样本和明天的可能就不一样。更关键的是，你想算百分比，总得知道总行数吧？但窗口函数在同一个查询层级里，没法动态获取这个总数来做除法运算。

市面上流传着一种看似聪明的错误写法：SELECT * FROM (SELECT *, ROW_NUMBER() OVER (ORDER BY NEWID()) AS rn FROM t) t2 WHERE rn <= 0.1 * COUNT(*) OVER ()。语法上确实没问题，COUNT(*) OVER () 也能返回每行都相同的总数。但真正的坑在于性能：如果表数据量很大，ORDER BY NEWID() 会强制进行全局随机排序，开销巨大。而且，ROW_NUMBER() 本身并不产生随机性，它只是被动地跟着 ORDER BY 走（虽然在 SQL Server 里用 NEWID() 排序是常见的随机化手段）。

• 结论一：真正靠谱的随机抽样，应该尽量避免依赖 ROW_NUMBER() 配合全局排序这种“重型”操作。
• 结论二：TABLESAMPLE 确实快，但它只支持基于数据页或行数的近似抽样，无法做到精确的百分比控制。况且，这个语法在 PostgreSQL 里压根就不支持。
• 结论三：当你需要考虑跨数据库的兼容性时，直接用 ORDER BY RANDOM()（PostgreSQL）或 ORDER BY NEWID()（SQL Server），再结合 LIMIT 或 TOP 来限定数量，往往是更直接、更清晰的选择。

SQL Server 中用 NEWID() 和 TOP 实现 10% 抽样

在 SQL Server 的地盘上，这事儿就简单多了。最常用、也最高效的方法，完全不依赖窗口函数，也不需要你先去查一遍总行数。

具体怎么做？看这个例子（从 orders 表抽取大约10%的行）：

SELECT TOP (10) PERCENT * FROM orders ORDER BY NEWID();

• 语法核心：TOP (10) PERCENT 是 SQL Server 的“特产”，它会自动计算总行数的10%，并向下取整到最近的整数行。比如一张999行的表，它会返回99行。
• 随机性来源：ORDER BY NEWID() 为每一行生成一个唯一的GUID，从而实现伪随机排序。它的开销远比用 ROW_NUMBER() 进行全局排序要小。
• 重要提醒：可别异想天开写成 TOP (0.1 * COUNT(*))，TOP 子句后面不接受表达式。如果非得精确控制抽样的行数（比如必须恰好 N 行），那就需要先用变量算好：@n = CEILING(0.1 * @total)，然后再在查询中使用 TOP (@n)。

PostgreSQL 中用 RANDOM() + LIMIT 替代 ROW_NUMBER()

到了 PostgreSQL 这边，没有 TOP PERCENT 这种便利语法，但咱们有 RANDOM() 函数。它是一个稳定、且在某些情况下可优化（如索引跳过扫描）的伪随机函数，配合 LIMIT 使用效率很高。

示例：从 logs 表抽取大约15%的数据。

SELECT * FROM logs ORDER BY RANDOM() LIMIT (SELECT CEILING(COUNT(*) * 0.15) FROM logs);

• 关键点：计算限制数量的子查询 (SELECT CEILING(...)) 必须独立执行一次。你不能直接写成 LIMIT COUNT(*) * 0.15，那是语法错误。
• 性能权衡：如果表特别大，这个查询会扫描两次表（一次算总数，一次排序并抽样），代价不菲。这时候，可以考虑用系统目录的估算值来避免全表扫描：SELECT reltuples::BIGINT FROM pg_class WHERE relname = 'logs'。
• 一个常见的误区：有人图快，用 WHERE RANDOM() < 0.15。这方法虽然快，但它不是“比例抽样”，而是“概率过滤”。实际返回的行数波动会很大，尤其在小表上，根本无法保证固定比例的需求。

为什么硬套 ROW_NUMBER() 做比例筛选是自找麻烦

我们再来深入看看那种试图“修正”ROW_NUMBER()方法的写法：SELECT * FROM (SELECT *, ROW_NUMBER() OVER (ORDER BY NEWID()) AS rn, COUNT(*) OVER() AS cnt FROM t) t2 WHERE rn <= cnt * 0.1。从纯逻辑角度看，它似乎无懈可击。但一放到生产环境，麻烦就来了：

• 性能瓶颈：它强制对全表进行随机排序（ORDER BY NEWID()）。面对大数据集，这操作极易引发内存溢出或查询超时。
• 资源消耗：窗口函数 COUNT(*) OVER() 虽然避免了自连接，但它依然需要缓存全部的中间结果，导致内存占用几乎翻倍。
• 兼容性陷阱：MySQL 8.0+ 可不认识 NEWID()，你得换成 RAND()。但 RAND() 在窗口函数中的行为并不可靠，查询优化器可能会把它当作常量处理。
• 适用场景错位：ROW_NUMBER() 的真正用武之地，是在“按分组内的比例抽样”时，结合 PARTITION BY ... ORDER BY ... 使用。对于单纯的全局比例抽样，用它就是绕了远路。

说到底，比例抽样的本质是“选择哪些行”，而不是“先编上号再根据号码筛选”。采用排序后直接截断（TOP/LIMIT）的方式，或者谨慎使用概率过滤，往往更符合数据库执行引擎的优化逻辑，路径更短，效率也更高。