row_number()能用于训练/测试集拆分，因其可为每行稳定、可复现地生成唯一稠密序号；需显式order by（如id或created_at）确保一致性，再结合mod取模（如%10）或ntile分桶实现比例拆分，并须用cte或子查询一次性标记以保证互斥。
ROW_NUMBER() 为什么能用来做训练/测试集拆分
因为 ROW_NUMBER() 能给每一行稳定、可复现地打上唯一序号，配合取模或范围筛选，就能把数据按比例切开。它不依赖数据本身分布，也不需要随机种子（但要注意：默认无 ORDER BY 时结果不可靠）。
- 必须显式写
ORDER BY，否则不同执行可能生成不同序号，导致训练集“每次都不一样” - 用
ORDER BY RAND()看似随机，但在 MySQL 8.0+ 和 PostgreSQL 中性能差、不可复现；SQL Server 的NEWID()同理 - 更稳妥的做法是选一个业务上稳定且有区分度的字段排序，比如
id、created_at，再结合取模或窗口截断
用 MOD 取模实现近似 8:2 拆分（推荐初用）
这是最轻量、兼容性最好的方式，适用于大多数 OLAP 场景。核心思路：按某字段排序后编号，再对编号取模，把余数为 0~7 的归训练集，8~9 归测试集。
SELECT *,
ROW_NUMBER() OVER (ORDER BY id) % 10 AS split_mod
FROM your_table;
- 后续加
WHERE split_mod 得训练集，<code>WHERE split_mod IN (8, 9)得测试集 - 如果表里
id有空缺或不连续，不影响比例稳定性——因为ROW_NUMBER()生成的是稠密序号 - 注意：MySQL 5.7 不支持直接在 WHERE 中引用窗口函数别名，得套一层子查询或 CTE
用 NTILE(10) 做等频分桶（适合倾斜数据）
当原始数据按时间或 ID 分布不均（比如最近一周数据暴增），单纯用 MOD 可能导致测试集集中在某个时间段。NTILE(10) 会尽量让每组行数相等，再挑其中两组作测试集更鲁棒。
SELECT *,
NTILE(10) OVER (ORDER BY created_at) AS bucket
FROM your_table;
-
NTILE不保证绝对均匀（总行数不能被 10 整除时，前面几组多一行），但比MOD对偏斜更友好 - 选
bucket IN (1, 2)还是bucket IN (9, 10)取决于你是否想让测试集覆盖首尾分布——通常建议避开两端，选中间两组（如 4 和 5）以减少时序泄露风险 - PostgreSQL 和 SQL Server 支持，但 SQLite 不支持
NTILE
训练集和测试集必须严格互斥且无 overlap
最容易被忽略的一点：拆分逻辑必须作用于同一份基础数据快照。如果两次查询分别执行 ROW_NUMBER()，又没加 WITH TIES 或事务隔离，可能因并发写入导致某条记录同时出现在两个集合里。
- 务必用 CTE 或子查询一次性算出所有标记列，再分别 SELECT
- 例如：先
WITH labeled AS (SELECT *, ROW_NUMBER() OVER (...) % 10 AS mod_val FROM t)，再SELECT * FROM labeled WHERE mod_val 和 <code>SELECT * FROM labeled WHERE mod_val >= 8 - 如果底层表正在被 ETL 写入，记得加
FOR SHARE（PostgreSQL）或指定事务隔离级别，否则可能读到部分更新状态
