从另一个表填充随机数据

Question

update dataset1.test
   set column4 = (select column1 
                 from dataset2
                 order by random()
                 limit 1
                 ) 

我必须更新第4列的dataset1，每一行都更新数据集2列中的一个随机条目。但是到目前为止，在上述查询中，我在dataset1的所有行中都只有一个随机条目，而我希望它都相同是随机的。

Answer 1

设定

让我们开始假设您的表数据如下。请注意，我假设dataset1有一个主键（它可以是一个复合键，但是为了简单起见，让我们将其设为整数）：

CREATE TABLE dataset1
(
     id INTEGER PRIMARY KEY,
     column4 TEXT
) ;

CREATE TABLE dataset2
(
    column1 TEXT
) ;

我们在两个表中都填充了示例数据

INSERT INTO dataset1
    (id, column4)
SELECT
    i, 'column 4 for id ' || i
FROM
    generate_series(101, 120) AS s(i);

INSERT INTO dataset2
    (column1)
SELECT
    'SOMETHING ' || i
FROM 
    generate_series (1001, 1020) AS s(i) ;

完整性检查：

SELECT count(DISTINCT column4) FROM dataset1 ;

| 计数|
| ----：|
| 20 |

情况1：数据集1中的行数<=数据集2中的行数

我们将进行完整的改组。来自dataset2的值将被使用一次，并且不超过一次。

说明

为了进行更新column4以随机方式随机整理所有值，我们需要一些中间步骤。

首先，对于dataset1，我们需要创建一个元组列表（关系）(id, rn)，它们只是：

(id_1,   1),
(id_2,   2),
(id_3,   3),
...
(id_20, 20)

id_1... id_20上的ID 在哪里dataset1。它们可以是任何类型，不需要连续，也可以是复合的。

对于dataset2，我们需要创建的另一个列表(column_1,rn)，如下所示：

(column1_1,  17),
(column1_2,   3),
(column1_3,  11),
...
(column1_20, 15)

在这种情况下，第二列包含所有值1 .. 20，但被重新排序。

一旦我们建立了两种关系，我们就JOIN可以了ON ... rn。实际上，这会生成另一个带有的元组列表(id, column1)，其中的配对是随机进行的。我们使用这些对进行更新dataset1。

真正的查询

可以通过使用一些CTE（WITH语句）来保持中间关系来完成所有工作（显然，我希望如此）：

WITH original_keys AS
(
    -- This creates tuples (id, rn), 
    -- where rn increases from 1 to number or rows
    SELECT 
        id, 
        row_number() OVER  () AS rn
    FROM 
        dataset1
)
, shuffled_data AS
(
    -- This creates tuples (column1, rn)
    -- where rn moves between 1 and number of rows, but is randomly shuffled
    SELECT 
        column1,
        -- The next statement is what *shuffles* all the data
        row_number() OVER  (ORDER BY random()) AS rn
    FROM 
        dataset2
)
-- You update your dataset1
-- with the shuffled data, linking back to the original keys
UPDATE
    dataset1
SET
    column4 = shuffled_data.column1
FROM
    shuffled_data
    JOIN original_keys ON original_keys.rn = shuffled_data.rn
WHERE
    dataset1.id = original_keys.id ;

请注意，该技巧是通过以下方式执行的：

row_number() OVER (ORDER BY random()) AS rn

的row_number()窗函数，因为有行，从1开始这些号码被随机洗牌的，因为产生许多连续的数字OVER子句了所有的资料和随机进行排序。

检查

我们可以再次检查：

SELECT count(DISTINCT column4) FROM dataset1 ;

| 计数|
| ----：|
| 20 |

SELECT * FROM dataset1 ;

id | 专栏4       
-：| ：-------------
101 | 东西1016
102 | 东西1009
103 | 东西1003
...
118 | 东西1012
119 | 东西1017
120 | 1011的东西

替代

请注意，也可以通过子替换（而不是CTE）来实现子查询。在某些情况下，这可能会提高性能：

UPDATE
    dataset1
SET
    column4 = shuffled_data.column1
FROM
    (SELECT 
        column1,
        row_number() OVER  (ORDER BY random()) AS rn
    FROM 
        dataset2
    ) AS shuffled_data
    JOIN 
    (SELECT 
        id, 
        row_number() OVER  () AS rn
    FROM 
        dataset1
    ) AS original_keys ON original_keys.rn = shuffled_data.rn
WHERE
    dataset1.id = original_keys.id ;

然后再次...

SELECT * FROM dataset1;

id | 专栏4       
-：| ：-------------
101 | 1011的东西
102 | 东西1018
103 | 东西1007
...
118 | 东西1020
119 | 东西1002
120 | 东西1016

您可以检查整个安装和试验在dbfiddle 这里

注意：如果您对非常大的数据集执行此操作，请不要期望它非常快。改组非常大的纸牌非常昂贵。

情况2：数据集1中的行数>数据集2中的行

在这种情况下，的值column4可以重复几次。

我可以想到的最简单的可能性（可能不是一种有效的方法，但很容易理解）是创建一个random_column1标记为的函数VOLATILE：

CREATE FUNCTION random_column1() 
    RETURNS TEXT
    VOLATILE      -- important!
    LANGUAGE SQL
AS
$$
    SELECT
        column1
    FROM
        dataset2
    ORDER BY
        random()
    LIMIT
        1 ;
$$ ;

并使用它来更新：

UPDATE
    dataset1
SET
    column4 = random_column1();

这样，dataset2 可能根本不会使用from中的某些值，而其他值 将被多次使用。

dbfiddle 在这里