MySQL的行号方言

SQL 通常分为三大类：

SELECT VERSION();
查看MySQL的版本

核心思想是：给按时间排序后的每一行分配一个连续序号，然后每隔一定间隔取一条（或按比例取），从而实现“时间轴上的均匀采样”。

✅ 推荐方法：使用ROW_NUMBER()+ 比例过滤（MySQL 8.0+）

✅ 要求：MySQL 8.0 或更高版本（支持窗口函数）

📌 最佳实践 SQL：

-- 方法1：精确抽取 30%（推荐） INSERT INTO target_table (id, user_id, amount, create_time, status) SELECT id, user_id, amount, create_time, status FROM ( SELECT *, ROW_NUMBER() OVER (ORDER BY create_time) AS rn, COUNT(*) OVER () AS total_rows FROM source_table WHERE status = 'paid' -- 可选：先过滤 ) t WHERE rn <= total_rows * 0.3;

🔍 原理解释：

1. ROW_NUMBER() OVER (ORDER BY create_time)→ 按时间升序编号：1, 2, 3, ..., N
2. COUNT(*) OVER ()→ 获取总行数N
3. rn <= N * 0.3→ 取前 30% 的行
   • 因为已按时间排序，前 30% 就是时间最早的 30%❌（这不是“均匀”！）

⚠️ 注意：上面这个方法是“取前30%”，不是“均匀分布”！

✅ 正确实现“时间均匀分布”的方法

要实现在整个时间范围内均匀抽取 30%（比如每10分钟抽3条，而不是只抽前3个月），应该用等间距采样：

✅ 方法2：等间距采样（真正均匀）

-- 真正的时间均匀采样：每隔 k 行取 1 行，使得最终约 30% INSERT INTO target_table (id, user_id, amount, create_time, status) SELECT id, user_id, amount, create_time, status FROM ( SELECT *, ROW_NUMBER() OVER (ORDER BY create_time) AS rn FROM source_table WHERE status = 'paid' ) t WHERE MOD(rn - 1, 3) = 0; -- 每3行取1行 ≈ 33.3%

但 33.3% ≠ 30%。要精确 30%，可这样：

✅ 方法3：精确 30% 均匀采样（最优解）

INSERT INTO target_table (id, user_id, amount, create_time, status) SELECT id, user_id, amount, create_time, status FROM ( SELECT *, ROW_NUMBER() OVER (ORDER BY create_time) AS rn, COUNT(*) OVER () AS total FROM source_table WHERE status = 'paid' ) t WHERE MOD(rn * 100, total) < 30;

但这较复杂。更简单且实用的做法是：

✅ 方法4：使用NTILE分桶（推荐！）

-- 将数据按时间分成 10 桶，每桶取 3 桶 → 精确 30% INSERT INTO target_table (id, user_id, amount, create_time, status) SELECT id, user_id, amount, create_time, status FROM ( SELECT *, NTILE(10) OVER (ORDER BY create_time) AS bucket FROM source_table WHERE status = 'paid' ) t WHERE bucket IN (1, 2, 3); -- 取前3桶 = 30%

✅这是最符合“时间均匀”要求的方法！

• NTILE(10)把按时间排序的数据均分为10个连续时间段
• 每个bucket包含约 10% 的数据
• 取bucket IN (1,2,3)→ 覆盖整个时间范围的前30%时间段？❌

等等！这还是连续时间段，不是“均匀分布”。

✅ 终极正确方案：系统抽样（Systematic Sampling）

目标：在整个时间序列中等间隔抽取，确保样本覆盖全年，不聚集在某一段。

✅ 最佳 SQL（MySQL 8.0+）：

-- 计算采样步长：每 k 行取 1 行，使得总数 ≈ 30% WITH numbered AS ( SELECT *, ROW_NUMBER() OVER (ORDER BY create_time) AS rn FROM source_table WHERE status = 'paid' ), params AS ( SELECT MAX(rn) AS total, CEIL(MAX(rn) / (MAX(rn) * 0.3)) AS step -- 实际可简化 FROM numbered ) SELECT n.* FROM numbered n CROSS JOIN params p WHERE MOD(n.rn - 1, FLOOR(p.total / (p.total * 0.3))) = 0 LIMIT FLOOR((SELECT COUNT(*) FROM source_table WHERE status = 'paid') * 0.3);

太复杂了！

✅ 简洁高效方案（生产推荐）

直接用MOD(ROW_NUMBER(), k) = 0，选择合适的 k

假设总行数 ≈ 2,000,000，要抽 600,000 条（30%），则：

• 采样间隔 k = 总行数 / 目标行数 ≈ 2000000 / 600000 ≈ 3.33
• 但MOD只能用整数，所以取k = 3 或 4

为了更精确，我们可以动态计算：

✅ 最终推荐 SQL（简洁 + 均匀 + 高效）：

-- 方案A：固定间隔（简单有效） INSERT INTO target_table SELECT id, user_id, amount, create_time, status FROM ( SELECT *, ROW_NUMBER() OVER (ORDER BY create_time) AS rn FROM source_table WHERE status = 'paid' ) t WHERE MOD(rn, 3) = 1; -- 每3行取1行 → ～33.3%，接近30%

如果一定要严格 30%，且接受轻微不均匀，可用：

✅ 方案B：结合 LIMIT（精确数量 + 均匀起点）

-- 先确定起始偏移，再等间隔取 SET @total = (SELECT COUNT(*) FROM source_table WHERE status = 'paid'); SET @target = FLOOR(@total * 0.3); SET @step = CEIL(@total / @target); PREPARE stmt FROM ' INSERT INTO target_table SELECT id, user_id, amount, create_time, status FROM ( SELECT *, ROW_NUMBER() OVER (ORDER BY create_time) AS rn FROM source_table WHERE status = "paid" ) t WHERE MOD(rn - 1, ?) = 0 LIMIT ? '; EXECUTE stmt USING @step, @target; DEALLOCATE PREPARE stmt;

✅ 这个方案：

• 按时间排序
• 从第1行开始，每隔@step行取1条
• 最多取@target条（精确 30%）
• 样本均匀分布在整个时间轴上

📊 效果对比

表格

✅ 结论：用哪条？

如果你接受≈30%（如33%），用这条（最简单高效）：

INSERT INTO target_table SELECT id, user_id, amount, create_time, status FROM ( SELECT *, ROW_NUMBER() OVER (ORDER BY create_time) AS rn FROM source_table WHERE status = 'paid' ) t WHERE MOD(rn, 3) = 1;

如果你必须严格30% + 均匀，用动态步长方案（见上文）。

💡绝大多数场景下，MOD(rn, 3) = 1已足够好：它简单、快、真正时间均匀，且比例接近30%。

只要你的 MySQL 是8.0+，这些方案都能高效运行（200万行通常 < 30秒）。