分层抽样需用 ROW_NUMBER() OVER (PARTITION BY category ORDER BY RAND()) 实现每类独立随机取样，确保类别平衡；NTILE() 适合全局或分组内等频切分，但不保证严格均等。
用 PARTITION BY 做分层抽样，不是加个 ORDER BY RAND() 就完事
直接在 WHERE 里套 ORDER BY RAND() LIMIT N 会破坏类别分布——尤其当某些类样本极少时，大概率被漏掉。真正要保平衡，得先按类别分组，再在每组内独立随机取样。
核心是：用 ROW_NUMBER() OVER (PARTITION BY category ORDER BY RAND()) 给每类内部打乱序号，再筛出前 K 行。
-
PARTITION BY必须指定真实存在的类别字段（比如label、status），不能是表达式或别名 - MySQL 8.0+、PostgreSQL、SQL Server、BigQuery 都支持；但 SQLite 和旧版 MySQL 不行
-
ORDER BY RAND()在大数据量下性能差，可改用ORDER BY ABS(CHECKSUM(NEWID()))（SQL Server）或ORDER BY RANDOM()（PostgreSQL）替代 - 如果某类总数少于目标样本数，该类会全量入选——这是合理行为，不是 bug
NTILE() 适合等频切分，但不保证每组数量一致
当你需要把数据“大致均分”成 N 份（比如做交叉验证的 fold 划分），NTILE(N) 比手动计数更简洁。但它按总行数除以 N 向上/向下取整分配，类别平衡得靠前置 PARTITION BY。
- 单独用
NTILE(5) OVER (ORDER BY id)只是全局切分，完全不管类别 - 要保类别平衡，必须写成
NTILE(5) OVER (PARTITION BY category ORDER BY RAND()) - 结果中每个
category下的NTILE值范围都是1到5，但各组实际行数可能差 1 行（因整除余数） - PostgreSQL 中
NTILE对空值敏感，NULL类别会被归到同一组，需提前WHERE category IS NOT NULL
抽样后还要 join 原表？别重复计算 ROW_NUMBER()
如果抽样只是中间步骤，后续还要关联其他表或加计算字段，反复写窗口函数不仅难读，还可能因执行计划导致多次排序。
- 用 CTE 预先算好带序号的子集：
WITH sampled AS ( SELECT *, ROW_NUMBER() OVER (PARTITION BY category ORDER BY RANDOM()) AS rn FROM dataset ) SELECT * FROM sampled WHERE rn <= 100;
- 别在
WHERE里直接写窗口函数——语法报错：ERROR: window functions are not allowed in WHERE - CTE 不是万能的，BigQuery 中过度嵌套 CTE 可能触发资源限制；大表建议物化为临时表
类别字段有倾斜或空值时，PARTITION BY 会悄悄失效
看起来 SQL 跑通了，但抽出来某几类特别少，大概率是类别字段本身有问题：大量 NULL、空字符串、前后空格、大小写混用，或者存在隐藏控制字符。
- 先检查：
SELECT category, COUNT(*) FROM dataset GROUP BY category ORDER BY COUNT(*) -
PARTITION BY TRIM(UPPER(category))比裸写category更稳妥 - 空值会被归为同一组，若不想让它们参与抽样，显式过滤：
WHERE category IS NOT NULL AND category != '' - 某些数据库（如 Hive）对
PARTITION BY字段类型敏感，string和varchar(32)视为不同分区，需统一 cast
抽样逻辑看似简单，但窗口函数的分区边界、空值处理、数据库方言差异，三者叠加就容易漏掉一类样本——尤其当类别是业务关键维度时，这种遗漏很难被测试数据立刻发现。
