1. random sampling
--syntax：
select * from distribute by rand() sort by rand() limit ;
2. bucket table sampling
該方式是最佳化取樣bucket表。rand()函式也可以用來取樣整行。
如果取樣列同時使用了clustered by，使用tablesample語句會更有效率。
--syntax：
select * from tablesample(bucket out of on [colname|rand()]) table_alias;
1) 使用下面的語句，從表lxw111中取樣50%的資料，建立乙個新錶：
create table lxw1234 as
select * from lxw1 tablesample (50 percent);
2)這種方式指定取樣資料的大小，單位為m。比如，下面的語句：
select * from lxw1 tablesample (30m);
3)這種方式可以根據行數來取樣，但要特別注意：這裡指定的行數，是在每個inputsplit中取樣的行數，也就是，每個map中都取樣n rows。
select * from lxw1 tablesample (200 rows)
4)
table_sample: tablesample (bucket x out of y [on colname])
如果基於乙個已經分桶表進行取樣，將會更有效率。
執行下面的語句，建立乙個分桶表，並插入資料：
create table lxw1_bucketed (pcid string)
clustered by(pcid) into 10 buckets;
insert overwrite table lxw1_bucketed
select pcid from lxw1;
表lxw1_bucketed按照pcid欄位分成10個桶，下面的語句表示從10個桶中抽樣第乙個桶的資料：
select count(1) from lxw1_bucketed tablesample(bucket 1 out of 10on pcid);
很好理解。
再看這個：
select count(1) from lxw1_bucketed tablesample(bucket 1 out of 20on pcid)
表只有10個桶，如果指定20，看結果：
結果差不多是源表記錄的1/20，hive在執行時候，會在第乙個桶中抽樣一半的資料。
還有一點：
如果從源表中直接分桶抽樣，也能達到一樣的效果，比如：
select count(1) from lxw1 tablesample(bucket 1 out of 20 on pcid);
區別在於基於已經分桶的表抽樣，查詢只會掃瞄相應桶中的資料，而基於未分桶表的抽樣，查詢時候需要掃瞄整表資料，先分桶，再抽樣。
使用Hive隨機抽樣
test1 簡單隨機抽樣 select t.varx,t.a from select varx,rand a from tablename t where t.a between 0 and 0.2這樣就抽取了五分之一的資料。或者像這樣隨機抽取100條資料，與limit結合使用 select dis...
Hive實現隨機抽樣（附詳解）
select from tab order by rand limit 1000select from select e.cast rand 100000 as int as idx from e t order by t.idx limit 1000表e為乙個存有資料普通表，我們要從表e中隨機抽出...
mR 隨機抽樣
1.問題由來 google曾經有一道非常經典的面試題 給你乙個長度為n的鍊錶。n很大，但你不知道n有多大。你的任務是從這n個元素中隨機取出k個元素。你只能遍歷這個鍊錶一次。你的演算法必須保證取出的元素恰好有k個，且它們是完全隨機的 出現概率均等 這道題的解法非常多，網上討論也非常熱烈。本文要討論的是...