一个很好的例子来自于oreilly的文章，关于航空公司准时数据集的机器学习案例。以下是用于选择80%记录用于训练的查询语句。
SELECT date, airline, departure_airport, departure_schedule, arrival_airport, arrival_delayFROM [bigquery-samples:airline_ontime_data.flights]WHERE ABS(HASH(date)) % 10 < 8据我所知，日期并不是唯一的。假设30%的航班都发生在某一天（这不是最好的例子，其他数据集可能更适合这种情况），那么这一天的哈希值总是相同的。如果我们对它们取模10，那么这30%的记录将全部位于小于8的一侧或大于等于8的一侧。
如果我的理解是正确的，并且这个查询确实会导致偏差，那么有没有更好的方法将数据集按80/10/10的比例分割呢？
回答：
是的，文章假设日期是均匀分布的，但这可能并不正确。你可以直接对行的内容进行指纹识别：
SELECT date, airline, departure_airport, departure_schedule, arrival_airport, arrival_delayFROM `bigquery-samples`.airline_ontime_data.flightsWHERE MOD(ABS(FARM_FINGERPRINT(TO_JSON_STRING(flights))), 10) < 8请注意，这个查询使用的是标准SQL而不是旧版SQL。如果你使用的是独立的经典BigQuery用户界面，在运行之前，请在选项菜单中取消选中“使用旧版SQL”。
