sql - SQL Server 中的随机选择

Question

我有两组，对于第一组中的每个值，我想应用第二组中的一些随机值。我选择的方法使用第一个选择和第二个交叉应用。一个简化的 MWE 如下：

DROP TABLE IF EXISTS #S;
CREATE TABLE #S (c CHAR(1));
INSERT INTO #S VALUES ('A'), ('B');
DROP TABLE IF EXISTS #T;
WITH idGen(id) AS (
    SELECT 1 
    UNION ALL 
    SELECT id + 1 FROM idGen WHERE id < 1000
) 
SELECT id INTO #T FROM idGen OPTION(MAXRECURSION 0);
DROP TABLE IF EXISTS #R;
SELECT c, id INTO #R FROM #S
CROSS APPLY (
    SELECT id, ROW_NUMBER() OVER (
        /* 
        -- this gives 100% overlap
        PARTITION BY c
        ORDER BY RAND(CHECKSUM(NEWID()))
        */
        -- this gives the expected ~10% overlap
        ORDER BY RAND(CHECKSUM(NEWID()) + CHECKSUM(c))
    ) AS R
    FROM #T 
) t
WHERE t.R <= 100;
SELECT COUNT(*) AS PercentOverlap -- ~10%
FROM #R rA JOIN #R rB
ON rB.id = rA.id AND rB.c = 'B'
WHERE rA.c = 'A';

虽然此解决方案有效，但我想知道为什么更改为（注释）分​​区方法不起作用？此外，使用此解决方案是否有任何警告，因为添加两个校验和感觉有点脏？

在实际问题中，第一个集合中还有一个计数，其中包含要从第二个集合中选择的随机值的数量，它替换了上面示例中的静态 100。但是，使用固定的 100 可以很容易地验证预期的重叠。

标签： sqlsql-servertsqlrandom

Answer 1

RAND()function 是 SQL Server 中的运行时常量。这意味着通常对查询进行一次评估。当您将值传递给RAND该值时，该值将用作起始种子。

您需要检查执行计划，您将看到优化器将函数评估放在何处。在没有产生预期结果的情况下，最有可能优化器过于积极地优化它并将所有“随机性”移到循环之外。

NEWID()此外，包装intoCHECKSUM()和 into也没有意义RAND()。简单NEWID()就够了。或者，更好的是，设计用于产生随机数的函数，例如CRYPT_GEN_RANDOM()

您的查询的任何一个版本看起来都有点奇怪。我会这样写：

SELECT c, id INTO #R 
FROM #S
CROSS APPLY 
(
    SELECT TOP(100) -- or #S.SomeField instead of 100
        id
    FROM #T 
    ORDER BY CRYPT_GEN_RANDOM(4) -- generate 4 random bytes, usually it is enough
) AS t
;

这为#T中的每一行提供 100 个随机行#S。

实际上，上面的查询并不好。优化器再次看到内部查询（内部CROSS APPLY）不依赖于外部查询并将其优化掉。最终结果是随机行只被选择一次。

我们需要一些东西来让优化器从#S. 一种方法是这样的：

SELECT c, id INTO #R 
FROM #S
CROSS APPLY 
(
    SELECT TOP(100) -- or #S.SomeField instead of 100
        id
    FROM #T 
    ORDER BY CRYPT_GEN_RANDOM(4) + CHECKSUM(c)
) AS t
;

内部查询中的某些内容以引用外部查询中的行。如果你 putTOP(#S.SomeField)而不是 constant TOP(100)，则+ CHECKSUM(c)不需要。

这是第一个变体的计划。您可以看到它#T被扫描了一次（读取了 1000 行）。

这是第二个变体的计划。您可以看到它#T被扫描了两次（读取了 2000 行）。