Question

我在多个子文件夹中的.txt文件中有很多任务。我试图从这些文件夹，它们包含的文件以及文件中的文本行中随机选取总共10个任务。应删除或标记选定的行，以便在下次执行时不会选择它。这可能是一个太宽泛的问题，但我很欣赏任何意见或指示。

这是我到目前为止的代码：

#!/usr/bin/python  
import random   
with open('C:\\Tasks\\file.txt') as f:  
    lines = random.sample(f.readlines(),10)    
print(lines)

Answer 1

这是一个简单的解决方案，每个样本只传递一次文件。如果您确切知道将从文件中采样的项目数量，则可能是最佳选择。

首先是示例功能。这使用了@NedBatchelder在早期答案的注释中链接的相同算法（尽管显示的Perl代码只选择了一行，而不是几行）。它从可迭代的行中选择值，并且只需要在任何给定时间（加上下一个候选行）将当前选定的行保存在内存中。如果可迭代的值小于请求的样本大小，则会引发ValueError。

import random

def random_sample(n, items):
    results = []

    for i, v in enumerate(items):
        r = random.randint(0, i)
        if r < n:
            if i < n:
                results.insert(r, v) # add first n items in random order
            else:
                results[r] = v # at a decreasing rate, replace random items

    if len(results) < n:
        raise ValueError("Sample larger than population.")

    return results

编辑：在另一个问题中，用户@DzinX注意到，如果您正在抽样，则此代码中使用insert会导致性能下降（O(N^2)）大量的价值观。他避免这个问题的改进版本是here。的 /修改

现在我们只需要为我们的函数制作一个合适的可迭代项来进行采样。以下是我使用发电机的方法。此代码一次只保持一个文件打开，并且一次不需要多行内存。可选的exclude参数（如果存在）应该是set，其中包含在之前的运行中已选择的行（因此不应再次生成）。

import os

def lines_generator(base_folder, exclude = None):
    for dirpath, dirs, files in os.walk(base_folder):
        for filename in files:
            if filename.endswith(".txt"):
                fullPath = os.path.join(dirpath, filename)
                with open(fullPath) as f:
                     for line in f:
                         cleanLine = line.strip()
                         if exclude is None or cleanLine not in exclude:
                             yield cleanLine

现在，我们只需要一个包装函数将这两个部分绑在一起（并管理一组看到的行）。它可以返回大小为n的单个样本或count样本列表，利用随机样本中的切片也是随机样本的事实。

_seen = set()

def get_sample(n, count = None):
    base_folder = r"C:\Tasks"
    if count is None:
        sample = random_sample(n, lines_generator(base_folder, _seen))
        _seen.update(sample)
        return sample
    else:
        sample = random_sample(count * n, lines_generator(base_folder, _seen))
        _seen.update(sample)
        return [sample[i * n:(i + 1) * n] for i in range(count)]

以下是它的使用方法：

def main():
    s1 = get_sample(10)
    print("Sample1:", *s1, sep="\n")

    s2, s3 = get_sample(10,2) # get two samples with only one read of the files
    print("\nSample2:", *s2, sep="\n")
    print("\nSample3:", *s3, sep="\n")

    s4 = get_sample(5000) # this will probably raise a ValueError!

Answer 2

要在所有这些文件中获得正确的随机分布，您需要将它们视为一组大行并随机选择10。换句话说，您必须至少阅读一次所有这些文件，以至少弄明白您有多少行。

然而，您不需要在内存中保留所有行。您必须分两个阶段执行此操作：索引文件以计算每个文件中的行数，然后选择10个随机行以从这些文件中读取。

首先编制索引：

import os

root_path = r'C:\Tasks\\'
total_lines = 0
file_indices = dict()

# Based on https://stackoverflow.com/q/845058, bufcount function
def linecount(filename, buf_size=1024*1024):
    with open(filename) as f:
        return sum(buf.count('\n') for buf in iter(lambda: f.read(buf_size), ''))

for dirpath, dirnames, filenames in os.walk(root_path):
    for filename in filenames:
         if not filename.endswith('.txt'):
             continue
         path = os.path.join(dirpath, filename)
         file_indices[total_lines] = path
         total_lines += linecount(path)

offsets = list(file_indices.keys())
offsets.sort()

现在我们有一个偏移量的映射，指向文件名和总行数。现在我们选择十个随机索引，并从您的文件中读取这些索引：

import random
import bisect

tasks = list(range(total_lines))
task_indices = random.sample(tasks, 10)

for index in task_indices:
     # find the closest file index
     file_index = offsets[bisect.bisect(offsets, index) - 1]
     path = file_indices[file_index]
     curr_line = file_index
     with open(path) as f:
         while curr_line <= index:
             task = f.readline()
             curr_line += 1
     print(task)
     tasks.remove(index)

请注意，您只需要索引一次;您可以将结果存储在某处，只在文件更新时更新。

另请注意，您的任务现已“存储”在tasks列表中;这些是文件中行的索引，并且在打印所选任务时从该变量中删除索引。下次运行random.sample()选项时，之前选择的任务将不再可用于下次选择。如果您的文件发生变化，则需要更新此结构，因为必须重新计算索引。 file_indices将帮助您完成该任务，但这超出了本答案的范围。： - ）

如果您只需要一个 10项样本，请改用Blckknght's solution，因为它只会通过文件一次，而我需要10个额外的文件开头。如果您需要多个样本，此解决方案每次需要样本时只需要10个额外的文件开头，它不会再次扫描所有文件。如果您的文件少于10个，仍然使用Blckknght的答案。： - ）

Answer 3

编辑：经过仔细审查，这个答案不符合要求。重新加工使我得到了水库采样算法，@ Blckknght在他的回答中使用了该算法。所以忽略这个答案。

很少有这样做。这是一个...

获取所有任务文件的列表
随机选择一个
随机选择该文件中的一行
重复，直到我们有所需的行数

代码......

import os
import random

def file_iterator(top_dir):
    """Gather all task files"""
    files = []
    for dirpath, dirnames, filenames in os.walk(top_dir):
        for filename in filenames:
            if not filename.endswith('.txt'):
                continue
            path = os.path.join(dirpath, filename)
            files.append(path)
    return files


def random_lines(files, number=10):
    """Select a random file, select a random line until we have enough
    """
    selected_tasks = []

    while len(selected_tasks) < number:
        f = random.choice(files)
        with open(f) as tasks:
            lines = tasks.readlines()
            l = random.choice(lines)
            selected_tasks.append(l)
    return selected_tasks


## Usage
files = file_iterator(r'C:\\Tasks')
random_tasks = random_lines(files)

子文件夹中的Python随机行

3 个答案: