我需要检查我的解决方案，从存储在MPP机器上的表中取样100个随机行（目前是Netezza，后来可能是hadoop /等）。
我对使用Netezza的rand（）不感兴趣，因为我希望以后能够重现相同的样本，而且我不指望使用setseed（）。
我现在使用的解决方案是：
SELECT * FROM MY_TABLE ORDER BY ID % 371, ID % 17, ID % 501, ID LIMIT 100
其中3个数字是素数我是由我自己的RNG生成的。 我是在正确的轨道上吗？ 这个“随机”样本是否足够随机？
注意：我不需要它是一个加密的强随机样本，我只想确保每次都选择一个不同的样本，并统一采样，我希望能够轻松地重现我的样本（通过执行相同的SQL），如果需要。
谢谢！
答案 0 :(得分：2)
我不会尝试在SQL中生成随机数，因为它很容易获得一些真正的随机数，将它们粘贴在表格或存储过程中。
转到https://www.fourmilab.ch/hotbits/secure_generate.html以十六进制获取256个随机位，一次将数字4分组，转换为十进制整数，然后使用前100个数字作为键。
您将拥有可重复的序列，您可以根据需要制作尽可能多的真正随机序列。
如果您需要具有均匀分布的可重复伪随机数，则适用相同的原则。只需使用不同的数字源。例如，您可以编写一个Python脚本，该脚本使用包含的random模块来生成您的数字。
对于要使用的SQL，如果正确构建数据库，则很简单。在这种情况下，由于我构建了一次随机表，并且不止一次地将它用于查询，我将构建表以包含主键，而不仅仅是生成的随机数。或者如果我要用不同的数字集重复这个，那么我将构建一个关系表（如在ER建模中），它将随机数表链接到我正在采样的表。我不会强制所有内容都进入SQL但生成随机数表并使用脚本语言构建关系表。
在上面给出的示例中，您需要100个样本，因此随机抽样表将包含由外部脚本选择的100个主键。每次运行采样时，您都会获得完全相同的记录，直到您更改随机采样表。要更改表，请转储要采样的表的主键，然后运行脚本以随机选择100，方法是在1和主键总数之间生成100个数字。如果您使用像Python这样的工具，您可以获得统一的随机数，伽马分布，高斯，对数正态，帕累托等。