Tsql SQL-按组随机抽样5%

我有一个表，大约有1000万行和4列，没有主键。第2列、第3列、第4列、第x2列、第x3列和第x4列中的数据按第1列、第X1列中确定的50组进行分组

为了从表中随机抽取5%的样本，我一直使用

SELECT TOP 5 PERCENT *
FROM thistable
ORDER BY NEWID()

结果返回大约500000行。但是，如果以这种方式进行抽样，某些群体在样本中的代表性相对于其原始规模是不平等的

这一次，为了获得更好的样本，我想从列X1中确定的50个组中的每个组中获得5%的样本。因此，在最后，我可以得到X1中50个组中每个组5%的行的随机样本，而不是整个表的5%

---

我如何处理这个问题？多谢各位

您需要能够对每个组进行计数，然后以随机顺序强制输出数据。第四，我们可以使用CTE样式的查询来实现这一点。虽然CTE不是严格需要的，但它将有助于将解决方案分解为小块，而不是大量的子选择等等

我假设您已经有了一个对数据进行分组的列，并且该列中的值对于该组中的所有项都是相同的。如果是这样，类似这样的操作可能会改变列和表名以适应您的情况：

WITH randomID AS (
    -- First assign a random ID to all rows. This will give us a random order.
    SELECT *, NEWID() as random FROM sourceTable
),
countGroups AS (
    -- Now we add row numbers for each group. So each group will start at 1. We order 
    -- by the random column we generated in the previous expression, so you should get
    -- different results in each execution
    SELECT *, ROW_NUMBER() OVER (PARTITION BY groupcolumn ORDER BY random) AS rowcnt FROM randomID
)
-- Now we get the data
SELECT * 
    FROM countGroups c1
    WHERE rowcnt <= (
        SELECT MAX(rowcnt) / 20 FROM countGroups c2 WHERE c1.groupcolumn = c2.groupcolumn
    )

---

这两个CTE表达式允许您随机排序，然后对每组进行计数。最后的选择应该相当简单：对于每个组，找出其中有多少行，只返回其中的5%合计行数/20。

这非常有效。我曾尝试使用NTILE来实现这一点，但失败了，但这种CTE方法非常有意义。