mysql - MySql:在不均匀分布的数据上均匀分布的样本大小

假设我有10000个预订客户资料。
这些配置文件具有以下变量：
持续时间（假期天数）
目的地（可能是巴西）
人数（多少人）
起飞（他们想离开的日期）
我想通过一个定价的预订引擎传递其中的1000个（10%），但要开发一个独立的洞察分析，我必须（尽我所能）平均分配配置文件的特征。例如，如果所有的个人资料都有3种人的数量（1、2和3），最终我希望在10%的33%范围内选择人的数量=1、33、33%的人的数量=2和33、33%的人的数量=3。
但是。。。
由于配置文件集的分布不均匀（例如，70%的配置文件由People_amount=1组成），我无法找出如何找到/创建一种循环（或其他什么东西），以填充该特征中所有类型的SELECT，直到ll 1耗尽，并与其他更进一步。
或许可以举个例子来说明我想如何填写10%的10公里个人资料样本：

Profile_id  People_amount                                     Profile_id  People_amount
1           1                                                           1           1
2           1                                                           5           2
3           1                                                           8           3
4           1       --> Filling the sample by even distribution         2           1
5           2       of available profile characteristics                6           2
6           2                                                           9           3
7           2                                                           3           1
8           3                                                           7           2
9           3                                                           4           1

希望你能帮忙！

最佳答案

您可以使用union来限制每个子选择：

(SELECT * FROM profiles WHERE People_amount=1 LIMIT 333)
UNION
(SELECT * FROM profiles WHERE People_amount=2 LIMIT 333)
UNION
(SELECT * FROM profiles WHERE People_amount=3 LIMIT 333)

括号用于将LIMIT应用于每个子选择。
更有活力的方法
如果不知道people_amount的可能值的数目，则上述方法不可行。然后我将提出一个查询，其中ORDER BY子句根据出现次数分布people_amount值。它不会给出完全相等的分布，但不同的值在结果集中具有可比性：

select     p.*
from       (
            select   people_amount,
                     count(*) as occurrences
            from     profiles
            group by people_amount) as stats
inner join profiles p
        on p.people_amount = stats.people_amount
order by   rand() * stats.occurrences
limit      1000

SQL fiddle（如果未过载）。
如果要将其扩展到其他列，如Destination，可以执行以下操作：

select     p.*
from       (
            select   people_amount,
                     destination,
                     count(*) as occurrences
            from     profiles
            group by people_amount,
                     destination) as stats
inner join profiles p
        on p.people_amount = stats.people_amount
       and p.destination = stats.destination
order by   rand() * stats.occurrences
limit      1000

其思想是，出现次数较低的值将按值的顺序排列较低，因此将在结果集的开头更频繁地弹出，以补偿其低频率。

关于mysql - MySql:在不均匀分布的数据上均匀分布的样本大小，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/36070025/