Hash BigQuery—根据某些哈希标准对数据进行分区

我在BigQuery中有一个表。我有一个表示唯一id（uid）的字符串列。我只想通过只获取一部分UID（比如1/100）来筛选这个表的一个样本。 因此，我的想法是通过如下方式对数据进行采样：

if(ABS(HASH(uid)) % 100 == 0) ...

问题是，只有当散列值的分布是一致的时，它才会以1/100的比率进行过滤。因此，为了检查这一点，我想生成下表：

(n goes from 0 to 99)

0    <number of rows in which uid % 100 == 0>
1    <number of rows in which uid % 100 == 1>
2    <number of rows in which uid % 100 == 2>
3    <number of rows in which uid % 100 == 3>

（n从0到99）
0
1.
2.
3.

。。等等

如果我看到每一行中的数字大小相同，那么我的假设是正确的

你知道如何创建这样一个查询，或者以另一种方式进行采样吗？

类似于

Select ABS(HASH(uid)) % 100 as cluster , count(*) as cnt 
From yourtable 
Group each by cluster 

UID有不同的大小写（大写、小写）和类型，您可以在散列中使用一些字符串操作。比如：

 Select ABS(HASH(upper(string(uid)))) % 100 as cluster , count(*) as cnt 
From yourtable 
Group each by cluster 

作为HASH（）的替代方法，您可以尝试RAND（）-它不依赖于统一分布的ID

例如，这将为您提供10个大小大致相同的分区：

SELECT word, INTEGER(10*RAND()) part
FROM [publicdata:samples.shakespeare]

核查：

SELECT part, COUNT(*) FROM (
    SELECT word, INTEGER(10*RAND()) part
    FROM [publicdata:samples.shakespeare]
)
GROUP BY part
ORDER BY part

---

每个组最后都有大约16465个元素。

您甚至可以将RAND部分放在WHERE子句中：SELECT*FROM table，其中RAND（）<0.01RAND对于数据的随机部分非常有用。但是如果我寻找一致性（每次查询同一个表时，在同一个分区中都有相同的记录），它还能工作吗？谢谢大家！然而，作为后续工作，我发现我将无法使用hash（）或rand（）。原因是相同的会话id出现在多个类型中，我需要从所有类型中筛选某个id。这意味着我需要一个给定相同会话id的函数，该函数将生成相同的整数（我将通过执行%100进行采样），以便对任何表中的给定id进行确定性筛选。@FelipeHoffa我尝试了第一个查询，得到了

错误：在第1行第35列遇到了“PARTITION”“PARTITION”。我们期望：

PARTITION现在是一个保留关键字-我现在修复了查询！