Sampel acak dari MongoDB mengembalikan hasil yang sangat miring

Pada MongoDB 3.4.9, sebagian dari alasan bias yang Anda amati adalah $sample hampir seluruhnya bergantung pada implementasi kursor acak mesin penyimpanan (lihat SERVER-19183 ). Hal ini dilakukan agar $sample bisa menjadi performan ketika koleksi berisi banyak data. Namun, karena mesin penyimpanan menyimpan dokumen dalam urutan yang diurutkan menggunakan implementasi tipe B-tree, tidak selalu memungkinkan untuk membuat hasil yang benar-benar acak.

Saat ini ada dua permintaan fitur untuk $sample yang lebih baik mekanik, yaitu SERVER-22069 dan SERVER-22068 .

Karena itu, jika Anda memerlukan sampel data yang benar-benar tidak bias, gulung $sample Anda sendiri -seperti solusi kemungkinan merupakan cara terbaik untuk melanjutkan pada saat ini. Sesuatu seperti:

1. Dapatkan daftar semua _id dalam koleksi.
2. Lakukan pengambilan sampel acak pada daftar ini (mis. menggunakan acak dari Python .pilihan ).
3. Dapatkan semua dokumen yang relevan menggunakan sampel _id , yang akan cukup berkinerja tergantung pada ukuran sampel yang Anda inginkan, karena _id selalu diindeks.