在大规模数据量的数据分析及建模工作中，往往针对全量数据进行开掘剖析时会非常耗时和占用集群资源，因而个别状况下只须要抽取一小部分数据进行剖析及建模操作。
Hive全套视频学习材料：http://www.atguigu.com/download.shtml
Hive提供了数据取样（SAMPLING）的性能，可能依据肯定的规定进行数据抽样，目前反对数据块抽样，分桶抽样和随机抽样，具体如下所示：
- 数据块抽样（tablesample()函数）
1） tablesample(n percent) 依据hive表数据的大小按比例抽取数据，并保留到新的hive表中。如：抽取原hive表中10%的数据
（留神：测试过程中发现，select语句不能带where条件且不反对子查问，可通过新建两头表或应用随机抽样解决）
create table xxx_new as select * from xxx tablesample(10 percent)
2）tablesample(n M) 指定抽样数据的大小，单位为M。
3）tablesample(n rows) 指定抽样数据的行数，其中n代表每个map工作均取n行数据，map数量可通过hive表的简略查问语句确认（关键词：number of mappers: x)
2.分桶抽样
hive中分桶其实就是依据某一个字段Hash取模，放入指定数据的桶中，比方将表table_1依照ID分成100个桶，其算法是hash(id) % 100，这样，hash(id) % 100 = 0的数据被放到第一个桶中，hash(id) % 100 = 1的记录被放到第二个桶中。创立分桶表的要害语句为：CLUSTER BY语句。
分桶抽样语法：
TABLESAMPLE (BUCKET x OUT OF y [ON colname])
其中x是要抽样的桶编号，桶编号从1开始，colname示意抽样的列，y示意桶的数量。
例如：将表随机分成10组，抽取其中的第一个桶的数据
select * from table_01 tablesample(bucket 1 out of 10 on rand())
- 随机抽样（rand()函数）
1）应用rand()函数进行随机抽样，limit关键字限度抽样返回的数据，其中rand函数前的distribute和sort关键字能够保证数据在mapper和reducer阶段是随机散布的，案例如下：
select * from table_name where col=xxx distribute by rand() sort by rand() limit num;
2）应用order 关键词
案例如下：
select * from table_name where col=xxx order by rand() limit num;
经测试比照，千万级数据中进行随机抽样 order by形式耗时更长，大概多30秒左右。
关键词：大数据培训