在大規模資料量的資料分析及建模任務中，往往針對全量資料進行挖掘分析時會十分耗時和占用集群資源，因此一般情況下只需要抽取一小部分資料進行分析及建模操作
hive提供了資料取樣（sampling）的功能，能夠根據一定的規則進行資料抽樣，目前支援資料塊抽樣，分桶抽樣和隨機抽樣，具體如下所示：
隨機抽樣（rand()函式）
select
*'2018-11-14' distribute by rand(
) sort by rand(
)limit
100;
select
*by rand(
)limit
100;
1） tablesample(n percent) 根據hive表資料的大小按比例抽取資料，並儲存到新的hive表中。如：抽取原hive表中10%的資料 ，該方式允許hive隨機抽取n行資料，資料總量的百分比（n百分比）或n位元組的資料。
語法：
select
*from
tablesample(n percent
|bytelengthliteral|n rows
) s;
create
table ***_new as
select
*from *** tablesample(
10percent
)
例：按資料量百分比抽樣
select name from employees tablesample(
10percent
) a;
select name from employees tablesample(
1m) a;
select
*from source tablesample(
10rows
);
hive中分桶其實就是根據某乙個欄位hash取模，放入指定資料的桶中，比如將表table_1按照id分成100個桶，其演算法是hash(id) % 100，這樣，hash(id) % 100 = 0的資料被放到第乙個桶中，hash(id) % 100 = 1的記錄被放到第二個桶中。建立分桶表的關鍵語句為：cluster by語句。
分桶抽樣語法：
tablesample (bucket x out of y [on colname])
其中x是要抽樣的桶編號，桶編號從1開始，colname表示抽樣的列，y表示桶的數量。
例如：將表隨機分成10組，抽取其中的第乙個桶的資料
select
*from table_01 tablesample(bucket 1
outof
10on rand(
))
語法：
select
*from
tablesample(bucket
outof
on[colname|rand()]
) table_alias;
select
*from employees tablesample
(bucket
2outof4
onrand()
) table_alias;
select
*from ******_uid_online_buck tablesample
(bucket 1 out of 2 on uid)
;
聚合和抽樣，特別是聚合函式，在大資料處理過程中是處理資料的主要方法。通過自由的條件限制以及聚合函式組合，基本能完成任意要求的資料處理或分組，隨機抽樣、資料塊抽樣、分桶抽樣 是三種比較常見的資料抽樣方式。
hive 隨機抽樣
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cluster...
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進行資料抽樣 隨機抽取
3.hive隨機抽取 4.mysql隨機抽樣 原來的50 select from liyang tablesample 50percent 30m select from liyang tablesample 30m 200行 每個map200行 select from liyang tablesa...