Melhor método para coletar uma amostra aleatória de uma coleção de arquivos

Suponha que exista um diretório contendo 300 arquivos de dados. Quero selecionar aleatoriamente 200 desses arquivos e movê-los para outro diretório. Existe uma maneira de fazer isso no Unix / Linux?

Se o seu sistema possui shuf, você pode usá-lo de maneira bastante conveniente (mesmo lidando com nomes de arquivos feios):

shuf -zen200 source/* | xargs -0 mv -t dest

Se você não tem, shufmas tem um sortque leva -R, isso deve funcionar:

find source -type f -print0 | sort -Rz | cut -d $'\0' -f-200 | xargs -0 mv -t dest

files=(*)
for (( i=0; i<200; i++ )); do
    keys=("${!files[@]}")
    rnd=$(( RANDOM % ${#keys[@]} ))
    key=${keys[$rnd]}
    mv "${files[$key]}" "$otherdir"
    unset files[$key]
done

Coloque todos os nomes de arquivos em uma matriz chamada "arquivos" no bash:

files=( * )

tamanho da matriz:

echo ${#files[@]}

defina 2/3 deles como tamanho da amostra:

take=$((2*${#files[@]}/3)) 

for i in $(seq 1 $take)
do
    r=$((RANDOM%${#files[@]})) 
    echo ${files[r]}
done

Isso selecionará duplicatas e não será testado com nomes de arquivos com espaços em branco e outros.

A maneira mais simples de evitar duplicatas é iterar sobre todos os arquivos e escolher cada um com chance de 2/3, mas isso não leva necessariamente a 200 arquivos.

Isso removerá um arquivo se ele tiver sido escolhido da lista e atender aos seus requisitos:

#!/bin/bash
files=( * )
# define 2/3 of them as sample size:
take=$((2*${#files[@]}/3)) 

while (( i < $take ))
do
    r=$((RANDOM%${#files[@]})) 
    f=${files[r]}
    if [[ -n $f ]]
    then 
        i=$((i+1))    
        echo ${files[r]}
        unset files[r]    
    fi
done

Se isso precisar ser estatisticamente aleatório, você não deve usá-lo RANDOM % ${#keys[@]}. Considerar:

1. $RANDOM tem 32768 valores únicos
2. A primeira seleção é 1 de 300 elementos
3. 32768 = 109 * 300 + 68

Portanto, ao selecionar o primeiro item, há uma chance de 110/32768 ~ = 0,333569% para cada um dos 68 primeiros elementos e 109/32768 ~ = 0,33264% de chance para cada um dos outros 232 elementos a serem selecionados. A escolha é repetida várias vezes com chances diferentes, mas inclinado para os primeiros elementos sempre que 32768 % ${#keys[@]} -ne 0, portanto, o erro se agrava.

Isso deve ser imparcial e funciona com qualquer nome de arquivo:

while IFS= read -r -d '' -u 9
do
    mv -- "$REPLY" /target/dir
done 9< <(find /source/dir -mindepth 1 -print0 | shuf -n 200 -z)

A solução de Kevin funciona muito bem! Outra coisa que eu usei muito, porque acho mais fácil lembrar de cima, é algo como:

cp `ls | shuf -n 200` destination

Um forro no bash:

ls original_directory/|sort -R|head -number_of_files_to_move|while read file; do cp "new_directory/"$file test; done