纯sql无法在分组内直接实现按权重比例的随机抽样，必须通过行展开或累积权重区间匹配；order by rand() * weight仅影响排序位置，不保证抽中概率等于权重占比。
MySQL中用GROUP_CONCAT + ORDER BY RAND()实现分组内加权随机抽样
直接说结论：纯SQL在分组内做「按权重随机抽样」无法靠单个聚合函数完成，必须借助字符串拼接与解析的迂回方案。核心思路是：先在每组内按权重展开行（模拟抽样概率），再用GROUP_CONCAT拼接ID+权重序列，最后用SUBSTRING_INDEX截取首个样本。
常见错误是直接写ORDER BY RAND() * weight——这只能打乱顺序，不改变抽中概率；而WHERE RAND() 看似合理，实则因WHERE执行早于GROUP BY，无法感知组内归一化权重。
- 适用场景：MySQL 5.7+，数据量不大（万级以内），要求每个分组固定抽1条
- 关键步骤：对原始表先做自连接或递归CTE展开权重（如weight=3就生成3行），再
GROUP BY后ORDER BY RAND()取LIMIT 1 - 更轻量做法：用
GROUP_CONCAT(id ORDER BY RAND() * weight DESC SEPARATOR ',')，再用SUBSTRING_INDEX(..., ',', 1)取第一个——但注意RAND() * weight只是排序扰动，非严格加权抽样
PostgreSQL用UNNEST + generate_series展开权重后DISTINCT ON
PostgreSQL有更干净的解法：把权重转为重复次数，用generate_series(1, weight)生成虚拟行，再配合UNNEST打散。这样每条记录出现次数 = 权重值，天然满足抽样概率分布。
示例语句：
SELECT DISTINCT ON (group_id) group_id, id
FROM (
SELECT t.group_id, t.id,
generate_series(1, t.weight) AS _dummy
FROM your_table t
) expanded
ORDER BY group_id, RANDOM();
-
DISTINCT ON (group_id)保证每组只取1条，ORDER BY RANDOM()让取哪条完全随机 - 性能隐患：若某组权重极大（如10万），
generate_series会爆炸式膨胀中间结果，此时应改用窗口函数+累积概率法 - 注意
weight必须为正整数；小数权重需先乘以100取整，并同步放大总基数
SQL Server用ROW_NUMBER() + 累积权重区间匹配
SQL Server不支持行展开，但可用窗口函数算出每组内「权重累积和」，再结合RAND()生成[0,1)随机数，映射到对应区间。这是最接近数学定义的纯SQL加权抽样。
关键逻辑：
WITH weighted AS (
SELECT *,
SUM(weight) OVER (PARTITION BY group_id ORDER BY id ROWS UNBOUNDED PRECEDING) AS cum_weight,
SUM(weight) OVER (PARTITION BY group_id) AS total_weight
FROM your_table
),
rand_pick AS (
SELECT group_id,
CAST(RAND(CHECKSUM(NEWID())) * total_weight AS INT) + 1 AS target_pos
FROM weighted
GROUP BY group_id, total_weight
)
SELECT w.*
FROM weighted w
JOIN rand_pick r ON w.group_id = r.group_id
WHERE w.cum_weight >= r.target_pos
AND (w.cum_weight - w.weight)
- 必须用
CHECKSUM(NEWID())确保每组生成独立随机数，RAND()本身在查询中只计算一次 -
ROWS UNBOUNDED PRECEDING保证累积和严格按顺序计算，避免并行执行导致错位 - 该方法兼容任意数值型权重（含小数），但需确保
weight >= 0且组内至少有一条非零权重记录
为什么不能依赖ORDER BY RAND() * weight？
这个写法在很多博客里被误传为“加权随机”，实际效果只是让高权重记录更可能排在前面，但每条记录被选中的概率并不等于其权重占比。比如两行权重分别为1和99，在ORDER BY RAND() * weight后取第一行，权重99的记录被选中概率远低于99%——因为RAND() * 99和RAND() * 1的分布重叠严重，排序结果受随机扰动主导，而非权重主导。
真正可控的加权抽样必须满足：对组内n条记录，第i条被抽中概率 = weight_i / SUM(weight)。这要求要么物理复制行（如PostgreSQL方案），要么用累积分布做精确区间匹配（如SQL Server方案）。任何仅靠排序或过滤的近似方法，在权重差异大时偏差显著。
如果数据已在应用层可获取，其实交给Python的random.choices(population, weights)更稳——SQL不是为这种概率计算设计的，硬拗容易翻车。
