Cómo funciona TABLESAMPLE en PostgreSQL: muestreo de páginas

Fuentes: How TABLESAMPLE works in PostgreSQL: page sampling explained

El comando TABLESAMPLE en PostgreSQL permite realizar consultas exploratorias sobre tablas grandes sin escanear todo el conjunto de datos, lo que reduce drásticamente el tiempo de ejecución. Sin embargo, su funcionamiento no consiste en seleccionar filas aleatorias, sino en elegir páginas físicas específicas basándose en un algoritmo de muestreo. Este mecanismo es crucial para entender por qué las estimaciones de conteo o promedios pueden ser inexactas si no se comprenden las limitaciones del muestreo.

En PostgreSQL, las páginas de datos tienen un tamaño fijo de 8 kB y contienen un array de punteros a filas. El muestreo SYSTEM utiliza un hash de la página para decidir si se incluye en la muestra, mientras que BERNOULLI aplica un hash a cada puntero de fila. Esta diferencia técnica explica por qué el muestreo SYSTEM es más rápido (1,2 ms frente a 10,4 ms en el ejemplo) pero introduce sesgos significativos cuando los datos están ordenados temporalmente. Por ejemplo, en una tabla de pedidos insertada por orden de tiempo, un muestreo SYSTEM puede seleccionar un bloque de páginas consecutivas, lo que hace que el mínimo de fechas devuelva un valor erróneo (por ejemplo, 44 minutos de diferencia) en lugar de la fecha real más antigua.

Para obtener resultados más precisos, se recomienda el muestreo BERNOULLI o utilizar una tabla con datos desordenados (shuffled). Además, es fundamental escalar manualmente las estimaciones de conteo y promedios, ya que el muestreo no devuelve la población total, sino una muestra representativa de las páginas seleccionadas. Esta comprensión técnica es esencial para ingenieros de bases de datos que buscan optimizar consultas en entornos de producción con grandes volúmenes de datos.