从两个文本文件（平行语料库）中随机抽样N行

Posted 2021-05-05

我一次又一次地面临着从两个文件（即来自平行语料库;句子根据行号对齐）对特定行数（例如N）进行采样的问题。

对于从事（神经）机器翻译研究的人来说，这是一项常见而频繁的任务。

我想知道一种快速有效的方法从并行语料库中取样（即选择）N行，可能来自命令行。

例如，如果我们想以一致的方式从两个文件中选择4行，我们可以在行号3，12，17，23中对行进行采样。这应该从这两个文件中提供这些行。此外，将这个参数N作为任意参与是很好的，这样我们就可以根据需要改变它。此外，应对这些线进行采样而不重复。并且，需要采样的所需行数N将始终小于两个文件中的总行数，其中两个文件总是具有相等的行数。

一旦我们对所需的行进行采样，还希望从两个未被采样的文件中获取行（即获得在随机采样中未选择的其余行）。

这样做的整个想法是以一致的方式对两个文件进行采样，以便保留它们的行对齐。 （即选择N线和N-T线，其中T是总线数。）

其中N是所需的采样行数而不重复，而N-T是尚未采样的其余行。

我该怎么做呢？提前致谢！

答案

如果你不允许重复，最好使用shuffle算法。为此目的已经有一个工具shuf。

例如，

$ shuf -n 10 file

将从文件中随机选择10行（按随机顺序）。您的请求有两个额外的约束，首先应该对选择进行排序，然后选择需要与另一个运行保持一致。对于第二个要求，您可以向shuf提供随机源以获得两次相同的序列。对于排序我们自己...

$ shuf -n 10 --random-source=file <(cat -n file1) | sort -n | cut -f2- > sample1
$ shuf -n 10 --random-source=file <(cat -n file2) | sort -n | cut -f2- > sample2

将按正确的顺序为您提供相同的采样行。对于随机性，您可以使用任一文件或任何其他第三个文件（但两次运行应该相同）。

另一种方法是将两个文件粘贴在一起并进行一次洗牌并将样本分开。

$ paste -d'|' file1 file2 | cat -n | shuf -n 10 | sort -n | cut -f2 > sample

$ cut -d'|' -f1 sample > sample1
$ cut -d'|' -f2 sample > sample2

获取未选择的行以保留行号。使用第二种选择

$ paste -d'|' file1 file2 | cat -n | shuf -n 10 | sort -n > n_samples
$ cut -f2- n_samples > samples
$ awk 'NR==FNR{a[$1];next} !(FNR in a)' <(cut -f1 n_samples) samples > notselected

您可以像以前一样拆分样本和未选择的文件。

使用第一种方法，文件中未选择的行将被写入具有相同名称和扩展名“.not”的文件中。

$ cat -n file1 | shuf -n 10 --random-source=file | sort -n > n_sample1
$ cut -f2- n_sample1 > sample1
$ cat -n file2 | shuf -n 10 --random-source=file | sort -n | cut -f2- > sample2
$ awk 'NR==FNR    {a[$1];next} 
      !(FNR in a) {print > FILENAME".not"}' <(cut -f1 n_sample1) sample1 sample2 

另一答案

#!/bin/bash
samples=$1
file1="$2"
file2="$3"

maxlines=$(cat "$file1" | wc -l)
nums=($(shuf -e $(echo $(seq 1 $maxlines))))
lines=$(for i in $(seq 1 $samples); do echo ${nums[$i]}p" "; done | sort -n)
sed -n "$lines" "$file1"
sed -n "$lines" "$file2"

#rows1=($(sed -n "$lines" "$file1"))
#rows2=($(sed -n "$lines" "$file2"))

• 参数$ 1,2,3：样本数，filename1和2。
• 使用wc -l和cat的maxline，因为那时我们不需要删除文件名。 （没有无用的猫奖，这里）。
• seq x y生成从x到y的序列，此处为1到maxlines。没有一个错误的错误，因为wc，源，从sed（稍后）开始计数。
• shuf -e将这些数字洗牌，而不是期望它们行
• 对于样品数量，从前面拉亚麻布， 但是对它们进行排序，以便sed只需要遍历文件一次。 后缀“p”代表sed。
• sed -n，对于11行的小文件，sample = 4，如下所示： sed -n 3p 4p 5p 7p mul.sh

如果您不希望输出文件，但是按行，则在数组中收集它们：

rows1=($(sed -n "$lines" "$file1"))
rows2=($(sed -n "$lines" "$file2"))

这样，sed仍然只需要遍历可能的大文件一次。使用从0到$ sample-1的数组索引，您可以迭代两个行数组并进行比较 - 或者无论作业是什么。