到目前为止,我一直使用以下方法对大文件进行采样:
with open(myfile) as f1:
with open(output,'w') as f2:
for i,line in enumerate(f1):
if i%my_rate==0:
f2.write(line)
这段代码遍历输入文件,取每n (=my_rate)个样本,并将它们写入输出文件。
我如何改进这种方法?我正在考虑使用一个哈希函数,该函数将根据键(在我的情况下是UserID)对20%的输入数据进行采样。
我正在使用Spark,所以所有东西都可以放入内存。当我环顾四周时,我发现了MurmurHash3,但我对Python哈希函数了解不多,我刚开始使用Spark。
如果您想随机抽样,您可以使用random
包绘制一个随机数,并且仅在绘制低于某个值时使用线。
import random
cutoff = .2 # (random draws between 0 and 1, so .2 would yield a 20% sample.)
with open(myfile) as f1:
with open(output,'w') as f2:
for i,line in enumerate(f1):
if random.random() < cutoff:
f2.write(line)