如何在保留少数类的所有样本的同时，为多数类的欠采样行编写bigquery SQL？

我正在尝试获取二进制分类问题的数据。数据集严重失衡。我可以下载数据并对大多数类进行欠采样，但我想知道如何使用BigQuerySQL直接进行欠采样

换句话说，我想选择目标列为

1

的所有样本，如果目标列为

0

，则忽略大量数据

样本数据集

id   feat_1    feat_2    target
1     x_1        y_1       0
2     x_2        y_4       1
3     x_3        y_1       0
4     x_1        y_1       1
5     x_2        y_4       0
6     x_2        y_1       0
.
.
.

---

我是否可以选择目标

0

的随机样本，以便在随机抽样中不会完全丢失feat_2值？

您可以尝试执行以下命令从表中获取一些随机值

SELECT * FROM table where rand() < Sample_no/Total_no and  target=0

从表中选择*，其中rand（）

---

其中，

Sample\u no

是您需要作为输出的样本记录的数量，

Total\u no

是表上记录的数量。

您可以在每个

feat\u 2

中提取一行

0

：

select t.*
from (select t.*,
             row_number() over (partition by feat_2, target order by rand()) as seqnum
      from t
     ) t
where target = 1 or seqnum = 1;

上面返回所有

1

s，然后每个

feat\u 2

返回一行

0

如果希望每个

feat_2

有一行偏向

1

s，则可以使用：

select t.*
from (select t.*,
             row_number() over (partition by feat_2 order by target desc, rand()) as seqnum
      from t
     ) t
where seqnum = 1;