我想要在PostgreSQL中随机选择行,我尝试了以下方法:

select * from table where random() < 0.01;


,但其他一些建议:

select * from table order by random() limit 1000;


我有一个很大的表,有5亿行,我希望它能很快。

哪种方法更好?有什么区别?选择随机行的最佳方法是什么?

评论

嗨,杰克,谢谢您的回复,执行时间依次变慢了,但是我想知道哪一个有区别...

嗯...不客气。那么,您是否尝试过对不同方法进行基准测试?

还有更快的方法。这完全取决于您的要求以及必须使用的工具。您是否需要1000行?该表格是否有数字ID?没有/很少/很多差距?速度有多重要?每个时间单位有多少个请求?每个请求是否需要不同的集合,或者在定义的时间段内它们是否可以相同?

第一个选项“(random()<0.01)”在数学上是错误的,因为如果随机数不低于0.01,您将无法获得任何行的响应,无论表多大,这种情况在任何情况下都可能发生(尽管可能性较小)或更高的阈值。第二个选项总是正确的

如果您只选择一行,请参阅以下问题:stackoverflow.com/q/5297396/247696

#1 楼

给定您的规范(加上注释中的其他信息),


您有一个数字ID列(整数),只有很少(或很少有)空白。
显然没有或很少的写操作。
您的ID列必须被索引!主键很好用。

下面的查询不需要对大表进行顺序扫描,而只需要索引扫描。

首先,获取主查询的估计值:

SELECT count(*) AS ct              -- optional
     , min(id)  AS min_id
     , max(id)  AS max_id
     , max(id) - min(id) AS id_span
FROM   big;


唯一可能昂贵的部分是count(*)(用于大桌子)。鉴于上述规格,您不需要它。估算就可以了,几乎可以免费使用(详细说明在这里):

SELECT reltuples AS ct FROM pg_class WHERE oid = 'schema_name.big'::regclass;


只要ct不比id_span小很多,查询就会胜过其他方法。

WITH params AS (
    SELECT 1       AS min_id           -- minimum id <= current min id
         , 5100000 AS id_span          -- rounded up. (max_id - min_id + buffer)
    )
SELECT *
FROM  (
    SELECT p.min_id + trunc(random() * p.id_span)::integer AS id
    FROM   params p
          ,generate_series(1, 1100) g  -- 1000 + buffer
    GROUP  BY 1                        -- trim duplicates
    ) r
JOIN   big USING (id)
LIMIT  1000;                           -- trim surplus



id空间中生成随机数。您的间隙很小,因此要检索的行数增加10%(足以轻松覆盖空白)。
每个id都可以偶然被多次拾取(尽管id空间很大的可能性很小) ,因此将生成的数字分组(或使用DISTINCT)。
id加入大表。有了适当的索引,这应该很快。
最后修剪未被伪造和缺口吃掉的多余id。每行都有完全相等的机会被选择。

短版本

您可以简化此查询。上面查询中的CTE仅用于教育目的:

SELECT *
FROM  (
    SELECT DISTINCT 1 + trunc(random() * 5100000)::integer AS id
    FROM   generate_series(1, 1100) g
    ) r
JOIN   big USING (id)
LIMIT  1000;


用rCTE进行精炼

尤其是如果您不确定间隙和估计。

WITH RECURSIVE random_pick AS (
   SELECT *
   FROM  (
      SELECT 1 + trunc(random() * 5100000)::int AS id
      FROM   generate_series(1, 1030)  -- 1000 + few percent - adapt to your needs
      LIMIT  1030                      -- hint for query planner
      ) r
   JOIN   big b USING (id)             -- eliminate miss

   UNION                               -- eliminate dupe
   SELECT b.*
   FROM  (
      SELECT 1 + trunc(random() * 5100000)::int AS id
      FROM   random_pick r             -- plus 3 percent - adapt to your needs
      LIMIT  999                       -- less than 1000, hint for query planner
      ) r
   JOIN   big b USING (id)             -- eliminate miss
   )
SELECT *
FROM   random_pick
LIMIT  1000;  -- actual limit


我们可以在基本查询中使用较小的盈余。如果间隙太多,那么在第一次迭代中我们找不到足够的行,则rCTE会继续使用递归项进行迭代。我们仍然需要在ID空间中保持相对较少的间隙,否则在达到限制之前递归可能会枯竭-或者我们必须从足够大的缓冲区开始,这不利于优化性能。



外部UNION使CTE一旦我们有足够的行就立即停止。

此查询是为使用可用索引精心设计的,生成实际上是随机的行,直到我们达到限制为止(除非递归耗尽),它才会停止。如果要重写它,这里有很多陷阱。

包装到函数中

重复使用各种参数:

CREATE OR REPLACE FUNCTION f_random_sample(_limit int = 1000, _gaps real = 1.03)
  RETURNS SETOF big AS
$func$
DECLARE
   _surplus  int := _limit * _gaps;
   _estimate int := (           -- get current estimate from system
      SELECT c.reltuples * _gaps
      FROM   pg_class c
      WHERE  c.oid = 'big'::regclass);
BEGIN

   RETURN QUERY
   WITH RECURSIVE random_pick AS (
      SELECT *
      FROM  (
         SELECT 1 + trunc(random() * _estimate)::int
         FROM   generate_series(1, _surplus) g
         LIMIT  _surplus           -- hint for query planner
         ) r (id)
      JOIN   big USING (id)        -- eliminate misses

      UNION                        -- eliminate dupes
      SELECT *
      FROM  (
         SELECT 1 + trunc(random() * _estimate)::int
         FROM   random_pick        -- just to make it recursive
         LIMIT  _limit             -- hint for query planner
         ) r (id)
      JOIN   big USING (id)        -- eliminate misses
   )
   SELECT *
   FROM   random_pick
   LIMIT  _limit;
END
$func$  LANGUAGE plpgsql VOLATILE ROWS 1000;


调用:

SELECT * FROM f_random_sample();
SELECT * FROM f_random_sample(500, 1.05);


您甚至可以使此泛型适用于任何表:以PK列和表的名称为多态类型并使用LIMIT ...但这超出了此问题的范围。请参阅:


重构PL / pgSQL函数以返回各种SELECT查询的输出

可能的选择

如果您的要求允许相同的重复调用集(我们正在谈论重复调用)我将考虑一个物化视图。一次执行上述查询,然后将结果写入表中。用户以闪电般的速度获得准随机选择。在选定的时间间隔或事件中刷新随机选择。

Postgres 9.5引入了EXECUTE


其中TABLESAMPLE SYSTEM (n)是百分比。手册:


nBERNOULLI采样方法均接受单个
参数,该参数是要采样的表的分数,表示为0之间的百分比。和100。此参数可以是任何SYSTEM值表达式。


大胆强调我的。速度非常快,但结果并非完全随机。再次说明手册:指定采样率较小时,real方法显着快于SYSTEM方法
,但它可能会返回
随机性较低的示例表的聚集效果。


返回的行数可以有很大的不同。对于我们的示例,要获取大约1000行:

SELECT * FROM big TABLESAMPLE SYSTEM ((1000 * 100) / 5100000.0);


相关:


查找a行数的快速方法PostgreSQL中的表格

,或者安装其他模块tsm_system_rows以获得确切的请求行数(如果有的话),并允许使用更方便的语法:

SELECT * FROM big TABLESAMPLE SYSTEM_ROWS(1000);


有关详细信息,请参见Evan的答案。

但这仍然不是完全随机的。

评论


t表在哪里定义?应该用r代替t吗?

–Luc M
2012年1月1日17:13

@LucM:在这里定义:JOIN bigtbl t,它是JOIN bigtbl AS t的缩写。 t是bigtbl的表别名。其目的是缩短语法,但在此特定情况下不需要。我在答案中简化了查询,并添加了一个简单的版本。

–欧文·布兰德斯特(Erwin Brandstetter)
2012年1月1日17:18



generate_series(1,1100)中的值范围的目的是什么?

–太棒了-o
2014年2月24日在6:12

@ Awesome-o:目标是检索1000行,我从额外的10%开始,以弥补一些差距或(不太可能,但有可能)重复的随机数...解释就在我的答案中。

–欧文·布兰德斯特(Erwin Brandstetter)
2014-02-24 12:53



欧文(Erwin),我发布了您的“可能的替代方案”的变体:stackoverflow.com/a/23634212/430128。会对您的想法感兴趣。

–拉曼
2014年5月13日14:43



#2 楼

您可以通过使用

EXPLAIN select * from table where random() < 0.01;
EXPLAIN select * from table order by random() limit 1000;
检查并比较两者的执行计划,对大型表进行快速测试1显示,ORDER BY首先对完整表进行排序,然后选择前1000个项目。对大型表进行排序不仅可以读取该表,还可以读取和写入临时文件。 where random() < 0.1只扫描一次完整的表。

对于大型表,这可能不是您想要的,因为即使一次完整的表扫描也可能花费很长时间。

第三个建议是

select * from table where random() < 0.01 limit 1000;


一旦找到1000行,该表就会停止表扫描,因此会更快地返回。当然,这会稍微降低随机性,但是对于您的情况,这也许就足够了。

编辑:除了这些考虑因素之外,您还可以查看有关此问题的信息。使用查询[postgresql] random返回相当多的命中。


在Postgres中快速选择随机行
如何从postgreSQL表中检索随机数据行?
postgres:获取表中的随机条目-太慢了

和depez的链接文章概述了其他几种方法:


http://www.depesz.com/index。 php / 2007/09/16 / my-thoughts-on-getting-random-row /


1“大”,如“完整表将不适合内存”。

评论


关于编写用于执行排序的临时文件的要点。这确实是一个很大的打击。我猜我们可以做random()<0.02,然后随机播放列表,然后限制1000!这种排序在几千行上会更便宜(lol)。

–唐纳德·迈纳(Donald Miner)
2011-12-29 23:54

“从表中选择*,其中random()<0.05限制为500;”是postgresql的较简单方法之一。我们在我们的一个项目中使用了此功能,我们需要选择5%的结果,一次最多只能选择500行。

– tgharold
2014年1月29日15:10

在世界上,为什么您会考虑使用O(n)全面扫描来检索500m行表上的样本?在大型表上它的速度很慢,而且完全没有必要。

–马夫
19年9月11日,0:14

#3 楼

通过random()进行PostgreSQL排序,以随机顺序选择行:

select your_columns from your_table ORDER BY random()


通过random()进行postgresql排序,并带有不同的:

select * from 
  (select distinct your_columns from your_table) table_alias
ORDER BY random()


通过随机限制将PostgreSQL顺序排成一行:

select your_columns from your_table ORDER BY random() limit 1


评论


从your_table中选择your_columns ORDER BY random()限制1花费约2分钟的时间执行4,500万行

–nguyên
19年4月23日在5:05

有什么办法可以加快速度吗?

–CpILL
19年11月25日在22:25

#4 楼

从PostgreSQL 9.5开始,有一种新语法专用于从表中获取随机元素:
SELECT * FROM mytable TABLESAMPLE SYSTEM (5);

本示例将为您提供qq12020qq元素的5%。
有关文档的更多说明: http://www.postgresql.org/docs/current/static/sql-select.html

评论


docs中的重要说明:“ SYSTEM方法执行块级采样,每个块都有指定的机会被选中;返回每个选中块中的所有行。当采样率较小时,SYSTEM方法比BERNOULLI方法快得多是指定的,但是由于聚类效果,它可能会返回表的随机性较低。”

– Tim
16-11-22在1:57

有没有办法指定行数而不是百分比?

– Flimm
18年5月30日在8:23

您可以使用TABLESAMPLE SYSTEM_ROWS(400)获取400个随机行的样本。您需要启用内置的tsm_system_rows扩展才能使用此语句。

–MickaëlLe Baillif
18年5月31日晚上10:15

#5 楼

具有ORDER BY的将是速度较慢的一个。
select * from table where random() < 0.01;逐条记录,并决定是否对其进行随机过滤。这将是O(N),因为它只需要检查每条记录一次。
select * from table order by random() limit 1000;将对整个表进行排序,然后选择第一个1000。除了幕后的任何伏都教徒魔法外,顺序是O(N * log N)
random() < 0.01的缺点是您将获得可变数量的输出记录。

请注意,与随机排序相比,有一种更好的方法来对一组数据进行改组: Fisher-Yates Shuffle,运行在O(N)中。但是,在SQL中实现混洗听起来确实是个挑战。

评论


但是,没有理由不能在第一个示例的末尾添加限制1。唯一的问题是您有可能无法收回任何记录,因此您必须在代码中加以考虑。

–必需
16年5月3日在13:11

Fisher-Yates的问题在于您需要将整个数据集存储在内存中以便从中选择。对于非常大的数据集不可行:(

–CpILL
19年11月25日23:41

#6 楼

select * from table order by random() limit 1000;


如果知道要多少行,请检查tsm_system_rows

tsm_system_rows


模块提供表采样方法SYSTEM_ROWS ,可以在SELECT命令的TABLESAMPLE子句中使用。

该表采样方法接受单个整数参数,该参数是要读取的最大行数。除非表没有足够的行,否则结果样本将始终恰好包含那么多的行,在这种情况下,将选择整个表。像内置的SYSTEM采样方法一样,SYSTEM_ROWS执行块级采样,因此采样不是完全随机的,但是可能会受到聚类的影响,尤其是在仅要求少量行的情况下。


先安装扩展

CREATE EXTENSION tsm_system_rows;


然后查询,

SELECT *
FROM table
TABLESAMPLE SYSTEM_ROWS(1000);


评论


我添加了指向您添加的答案的链接,这是对内置SYSTEM方法的显着改进。

–欧文·布兰德斯特(Erwin Brandstetter)
16 Dec 27'1:18

我刚刚在这里回答了一个问题(随机单条记录),在此期间,我对tsm_system_rows和tsm_system_time扩展进行了大量的基准测试。据我所知,除了对随机行的绝对选择最少之外,它们几乎没有任何用处。如果您能快速浏览一下并评论我分析的有效性或其他方式,将不胜感激。

–Vérace
2月10日18:14

#7 楼

这是一个对我有用的决定。我想这很容易理解和执行。

SELECT 
  field_1, 
  field_2, 
  field_2, 
  random() as ordering
FROM 
  big_table
WHERE 
  some_conditions
ORDER BY
  ordering 
LIMIT 1000;


评论


我认为这种解决方案可以作为ORDER BY random()起作用,但是在处理大型表时可能效率不高。

–曹安
18年7月12日在10:10

#8 楼

如果只需要一行,则可以使用从offset派生的计算得出的count

 select * from table_name limit 1
offset floor(random() * (select count(*) from table_name));
 


#9 楼

可能会有Erwin Brandstetter概述的物化视图“可能的选择”的变体。

例如,您不希望返回的随机值重复。因此,您需要在包含您的(非随机)值集的主表上设置一个布尔值。

假设这是输入表:

id_values  id  |   used
           ----+--------
           1   |   FALSE
           2   |   FALSE
           3   |   FALSE
           4   |   FALSE
           5   |   FALSE
           ...


根据需要填充ID_VALUES表。然后,按照欧文(Erwin)的描述,创建一个实例化视图,以对ID_VALUES表进行一次随机化:



 CREATE MATERIALIZED VIEW id_values_randomized AS
  SELECT id
  FROM id_values
  ORDER BY random();
 


请注意,物化视图不包含已使用的列,因为这将很快过时。视图也不需要包含id_values表中可能包含的其他列。

为了获取(并“消费”)随机值,请在id_values上使用UPDATE-RETURNING,从id_values中选择id_values_randomized连接,并应用所需的条件仅获得相关的可能性。例如:

 UPDATE id_values
SET used = TRUE
WHERE id_values.id IN 
  (SELECT i.id
    FROM id_values_randomized r INNER JOIN id_values i ON i.id = r.id
    WHERE (NOT i.used)
    LIMIT 5)
RETURNING id;
 


根据需要更改LIMIT -如果只需要一个随机值一次将LIMIT更改为1

id_values上使用适当的索引,我相信UPDATE-RETURNING应该在很小的负载下非常快速地执行。它通过一次数据库往返返回随机值。 “合格”行的条件可以根据要求复杂。可以随时将新行添加到id_values表中,并且只要刷新实例化视图(它们可能在非高峰时间运行),应用程序就可以访问它们。物化视图的创建和刷新将很慢,但是仅当将新ID添加到id_values表中时才需要执行。

评论


很有意思。如果我不仅需要选择,还需要使用select..update进行pg_try_advisory_xact_lock更新,那行得通吗? (即我需要许多并发读取和写入)

–马修
15-10-26在18:16



#10 楼

根据我的经验教训:

offset floor(random() * N) limit 1并不比order by random() limit 1快。

我认为offset方法会更快,因为它可以节省在Postgres中进行排序的时间。原来不是。

#11 楼

添加名为r的列,类型为serial。索引r

假设我们有200,000行,我们将生成一个随机数n,其中0 <n <= 200,000.

选择带有r > n的行,对它们进行排序并选择最小的一个。

代码:

select * from YOUR_TABLE 
where r > (
    select (
        select reltuples::bigint AS estimate
        from   pg_class
        where  oid = 'public.YOUR_TABLE'::regclass) * random()
    )
order by r asc limit(1);


代码是不言自明的。中间的子查询用于从https://stackoverflow.com/a/7945274/1271094快速估算表行数。

在应用程序级别,如果ASC>,则需要再次执行该语句行数或需要选择多行。

评论


我喜欢它,因为它简短而优雅:)我什至找到了一种改进它的方法:EXPLAIN ANALYZE告诉我,像这样,将不会使用PKEY索引,因为random()返回一个double,而PKEY需要一个BIGINT。

–触手
16-09-20在15:49



选择*从YOUR_TABLE其中r>(选择(从pg_class选择reltuples :: bigint AS估计,oid ='public.YOUR_TABLE':: regclass)* random()):: BIGINT按r asc limit(1);

–触手
16-09-20在15:51

#12 楼

我知道我参加聚会有点晚了,但是我刚刚发现了这个很棒的工具pg_sample:


pg_sample-从较大的PostgreSQL数据库中提取一个小的样本数据集,同时保持引用完整性。


我使用350M行数据库进行了尝试,它的速度非常快,不了解随机性。

 ./pg_sample --limit="small_table = *" --limit="large_table = 100000" -U postgres source_db | psql -U postgres target_db