Discussion :

[fatbob]

Bonjour,
Je suis sur un projet de génération de données fictives.
J'ai donc des tables de références dans lesquelles je peux ajouter le nombre d'occurrences (count(*)) des valeurs dans la base à imiter.
Quelle serait la meilleure façon de sélectionner des valeurs dans cette table en respectant les probabilités d'apparition.

A ce stade, j'utilise cette méthode (en gros) :
J'ai défini une table PROBA dans laquelle j'ai une colonne val qui prend les valeurs de 0 à 99
Dans ma table de référence, je normalise les "count" des valeurs pour les ramener entre 0 et 100
Et je les sélectionne via une requête comme celle ci (je suis sur sqlite)

SELECT * FROM tablename INNER JOIN (select * from PROBA ORDER BY RANDOM() limit 1) p ON tablename.weightcol > p.val ORDER BY RANDOM() LIMIT 1;

Ca marche bien mais le problème, c'est que les count ne sont pas du tout répartis de façon linéaire
Par exemple, si j'ai une valeur A avec un count normalisé à 100 et 100 valeurs B, C.... chacune avec un count normalisé à 1, je devrais avoir 50% de chances d'avoir A et 50% de chance d'avoir l'une des autres valeurs (soit 0,5% pour chaque) or en utilisant la requête mentionnée, je vais me retrouver avec A dans un chouille plus de 99% des cas et l'une des autres valeurs dans un chouille moins de 1% (soit 0.01% pour chaque valeur)

J'ai pas réussi à trouver de technique plus pertinente pour sélectionner mes valeurs. Quelqu'un ici aurait-il une idée ?
Merci

[SQLpro]

Dans un tel cas on estime le nombre de ligne à l'aide des probabilités et l'on constitue des "tranches" numérotées pour ensuite générer un tirage aléatoire sur le nombre...

Un exemple :
valeur A : 10%
valeur B : 33%
valeur C : 57 %

La table de tirage :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
CREATE TABLE T_TIRAGE_TRG
(TRG_ID         INT IDENTITY PRIMARY KEY,
 TRG_VALEUR     VARCHAR(32) NOT NULL,
 TRG_BAS        INT,
 TRG_HAUT       INT);
 
CREATE INDEX X_TRG_BAS_HAUT_VAL 
   ON T_TIRAGE_TRG (TRG_BAS, TRG_HAUT, TRG_VALEUR);

Les valeurs de la table :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
INSERT INTO T_TIRAGE_TRG VALUES 
('A', 0, 10),
('B', 10, 43),
('C', 43, 100);

La requête pour tirer au sort une ligne :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
WITH 
T AS (SELECT 100 * RAND() AS N)
SELECT TRG_VALEUR, 100 * RAND()
FROM   T_TIRAGE_TRG
       JOIN T ON N BETWEEN TRG_BAS AND TRG_HAUT;

A +

[fatbob]

Bonjour,
Merci pour cette réponse, cela donne effectivement une bonne solution.