SAMPLE

A cláusula SAMPLE permite o processamento aproximado de consultas SELECT.

Quando a amostragem de dados está habilitada, a consulta não é executada sobre todos os dados, mas apenas sobre uma determinada fração deles (amostra). Por exemplo, se você precisar calcular estatísticas para todas as visitas, basta executar a consulta sobre 1/10 de todas as visitas e depois multiplicar o resultado por 10.

O processamento aproximado de consultas pode ser útil nos seguintes casos:

• Quando você tem requisitos rigorosos de latência (como abaixo de 100 ms), mas não consegue justificar o custo de recursos adicionais de hardware para atendê-los.
• Quando seus dados brutos não são precisos, de modo que a aproximação não degrada perceptivelmente a qualidade.
• Quando os requisitos de negócio exigem resultados aproximados (por custo-benefício ou para oferecer resultados exatos a usuários premium).

As características da amostragem de dados estão listadas abaixo:

• A amostragem de dados é um mecanismo determinístico. O resultado da mesma consulta SELECT .. SAMPLE é sempre o mesmo.
• A amostragem funciona de forma consistente em tabelas diferentes. Para tabelas com uma única chave de amostragem, uma amostra com o mesmo coeficiente sempre seleciona o mesmo subconjunto dos dados possíveis. Por exemplo, uma amostra de IDs de usuário seleciona linhas com o mesmo subconjunto de todos os IDs de usuário possíveis em tabelas diferentes. Isso significa que você pode usar a amostra em subconsultas na cláusula IN. Além disso, você pode combinar amostras usando a cláusula JOIN.
• A amostragem permite ler menos dados do disco. Observe que você deve especificar a chave de amostragem corretamente. Para mais informações, consulte Criando uma tabela MergeTree.

Para a cláusula SAMPLE, a seguinte sintaxe é compatível:

Aqui, k é um número de 0 a 1 (há suporte tanto para notação fracionária quanto decimal). Por exemplo, SAMPLE 1/2 ou SAMPLE 0.5.

Em uma cláusula SAMPLE k, a amostra é extraída da fração k dos dados. O exemplo é mostrado abaixo:

SELECT
    Title,
    count() * 10 AS PageViews
FROM hits_distributed
SAMPLE 0.1
WHERE
    CounterID = 34
GROUP BY Title
ORDER BY PageViews DESC LIMIT 1000

Neste exemplo, a consulta é executada em uma amostra de 0,1 (10%) dos dados. Os valores das funções de agregação não são corrigidos automaticamente; portanto, para obter um resultado aproximado, o valor de count() é multiplicado manualmente por 10.

Aqui, n é um inteiro suficientemente grande. Por exemplo, SAMPLE 10000000.

Nesse caso, a consulta é executada em uma amostra de pelo menos n linhas (mas não muito mais do que isso). Por exemplo, SAMPLE 10000000 executa a consulta sobre, no mínimo, 10.000.000 linhas.

Como a unidade mínima de leitura de dados é um grânulo (cujo tamanho é definido pela configuração index_granularity), faz sentido definir uma amostra muito maior do que o tamanho do grânulo.

Ao usar a cláusula SAMPLE n, você não sabe qual porcentagem relativa dos dados foi processada. Portanto, não sabe por qual coeficiente as funções de agregação devem ser multiplicadas. Use a coluna virtual _sample_factor para obter o resultado aproximado.

A coluna _sample_factor contém coeficientes relativos calculados dinamicamente. Essa coluna é criada automaticamente quando você cria uma tabela com a chave de amostragem especificada. Os exemplos de uso da coluna _sample_factor são mostrados abaixo.

Vamos considerar a tabela visits, que contém estatísticas de visitas ao site. O primeiro exemplo mostra como calcular o número de visualizações de página:

SELECT sum(PageViews * _sample_factor)
FROM visits
SAMPLE 10000000

O exemplo a seguir mostra como calcular o número total de visitas:

SELECT sum(_sample_factor)
FROM visits
SAMPLE 10000000

O exemplo abaixo mostra como calcular a duração média da sessão. Observe que não é necessário usar o coeficiente relativo para calcular as médias.

SELECT avg(Duration)
FROM visits
SAMPLE 10000000

Aqui, k e m são números entre 0 e 1. Os exemplos são mostrados abaixo.

Exemplo 1

SAMPLE 1/10

Neste exemplo, a amostra corresponde a 1/10 de todos os dados:

[++------------]

Exemplo 2

SAMPLE 1/10 OFFSET 1/2

Aqui, é selecionada uma amostra de 10% da segunda metade dos dados.

[------++------]