SQL 怎么稳定抽取百分之一用户？随机抽样和哈希抽样有什么区别？
面试怎么回答
我会先问抽的是用户还是行为行。要跨天保留同一批用户，可以对规范化用户键使用固定、分布合理的哈希映射，再按阈值选桶；相同规则下同一用户始终同进同出。比例通常是近似值，不保证恰好百分之一。随机种子只在特定不变条件下复现，块抽样还可能受物理聚集影响。最后检查样本结构，并把抽样规则版本保存下来。
先把这段讲顺；面试官追问时，再展开下面的原理和细节。
详细讲解
测试同学希望每天都拿到同一批百分之一用户，方便比较改动前后的结果。直接随机取百分之一行为日志，今天和明天的名单可能完全不同；给随机函数加个种子，也未必解决跨天稳定的问题。
先定义抽样单位；稳定样本依赖规范化键与固定映射，随机种子不保证数据变化后名单不变。
先问抽用户，还是抽行为？
一个用户每天有一千条事件，另一个用户只有一条。如果按行为行独立抽样，活跃用户更容易至少命中一条。这适合某些事件级问题，却不是等概率抽取用户。
想保留同一批用户的完整行为，应先根据稳定的用户身份确定入样资格，再用这个资格筛选事件。用户有多少行为，不应改变他是否入样。
身份本身也要有边界。匿名设备和登录账号能否当作同一人，跨租户的相同 ID 是否相同，都需要先定义；抽样算法不能修复混乱的身份模型。
随机行、随机块与稳定映射
以 PostgreSQL 17 为例，TABLESAMPLE BERNOULLI 按行选择，SYSTEM 按物理块抽样。前者需要扫描全表，后者在小比例下可能读得更少，但块内聚集会影响样本结构。
下面用于演示近似百分之一的行抽样，不是稳定用户名单方案：
SELECT user_id, event_time
FROM event_log
TABLESAMPLE BERNOULLI (1)
REPEATABLE (20260912);REPEATABLE 在表未变化、参数相同等条件下可以复现样本。表每天新增、重写或变化后，不应把固定种子理解成永远保持同一批用户。
此外，这类 TABLESAMPLE 在 WHERE 之前发生。先从全表抽样再过滤某个小渠道，剩余样本可能极少；它并不等价于专门在该渠道内抽够所需样本。
稳定样本可以由身份决定
一种工程设计是：规范化用户键，拼入规则版本或固定的实验盐值，通过指定哈希算法映射到均匀整数空间，再按阈值选择。相同键、相同规则下，是否入样不随事件行数改变。
例如把空间均分为一万个桶，选择编号 0 到 99，目标比例约为百分之一。这里是方法描述，不是某个引擎都能直接运行的 HASH 函数语法。
实现时要固定字符串编码、租户前缀、空值处理与算法版本。不同系统的内置 HASH 可能不一致；不能让离线用一种算法、实时用另一种，却期待用户名单相同。
还要小心负数取模和整数最小值取绝对值的边界。更稳妥的是明确无符号解释或使用经过测试的非负映射，并用跨语言固定样例验证。
稳定不等于恰好，也不等于代表性
哈希阈值抽样通常得到近似比例，不承诺小群体中也恰好百分之一。一个只有几十人的渠道可能一个人都没入样，这并不自动证明算法错误。
如果必须每个渠道都有足够样本，可以设计分层抽样，但各层入样率不同时，汇总估计要考虑权重。不能把为了调试补入的异常用户，当作等概率随机样本直接计算总体指标。
如果要求固定数量，可按稳定哈希排序取前 N，但新用户可能挤出旧用户。长期固定名单则更适合保存已选身份及生成规则，而不是每天重新计算“前 N”。
一个典型场景：样本用户异常活跃
比如抽样表里的用户平均事件数明显高于全量，团队最初认为线上用户活跃度变好了。排查才发现，抽的是事件行，之后又去重成用户名单。
高频用户有更多命中机会，偏差来自抽样单位，不是指标 SQL。旧验收只看抽出行数约为百分之一，没有对比用户入样率与活跃度分布。
修复后改为按用户键判断入样，再保留入样用户的行为；同时比较渠道、日期、活跃分层等结构。样本比例对了，只是验收的一项，不是全部。
稳定抽样不自动节省扫描
即使筛掉百分之九十九的行，如果引擎必须读取所有数据才能计算哈希，底层扫描量仍可能很大。可以提前物化抽样桶或样本表，但要验证分区裁剪、文件统计等机制是否真正减少读取。
最后保存生成时间、原始范围、规则版本和适用用途。复现一次测试，需要知道当时读的是哪批数据，而不只是知道种子是多少。