我有一个大学毕业生数据库,想要提取大约1000条记录的随机数据样本.
我想确保样本代表人口,所以希望包括相同比例的课程,例如
我可以使用以下方法执行此操作：
select top 500 id from degree where coursecode = 1 order by newid() union select top 300 id from degree where coursecode = 2 order by newid() union select top 200 id from degree where coursecode = 3 order by newid()
但是我们有数百个课程代码,所以这将耗费时间,我希望能够将这些代码重用于不同的样本大小,并且不特别想要查看查询并对样本大小进行硬编码.
任何帮助将不胜感激
解决方法
你想要一个分层的样本.我建议通过按课程代码对数据进行排序并执行第n个样本来完成此操作.如果您的人口规模很大,这里有一种最有效的方法：
select d.*
from (select d.*,row_number() over (order by coursecode,newid) as seqnum,count(*) over () as cnt
from degree d
) d
where seqnum % (cnt / 500) = 1;
编辑：
您还可以“动态”计算每个组的人口规模：
select d.*
from (select d.*,row_number() over (partition by coursecode order by newid) as seqnum,count(*) over () as cnt,count(*) over (partition by coursecode) as cc_cnt
from degree d
) d
where seqnum < 500 * (cc_cnt * 1.0 / cnt)
