Bash中对固定行结构的分子系综样本实现随机抽样

已知文件结构为每22行对应1个完整样本：第1行是值为20的原子数、第2行是体系能量、第3-22行共20行是原子三维坐标，全程仅用Bash及GNU coreutils自带工具即可完成无偏随机抽样，不需要依赖Python等外部解释器。

核心思路 #

因为每个样本块长度完全固定，不需要逐行匹配分隔符，直接按固定行块切割即可：

• 统计文件总行数，除以单样本22行得到总样本量
• 生成指定数量的不重复随机整数，对应要抽取的样本块序号
• 按序号计算每个样本块的起止行号，直接提取对应行段，保证每个样本的22行结构完整

可直接复用的实现脚本 #

#!/bin/bash
# 入参1：分子系综源文件路径
# 入参2：需要随机抽取的样本数量
INPUT_FILE="$1"
DRAW_CNT="$2"
SINGLE_BLOCK_LINES=22 # 单个样本固定占22行

# 入参校验
if [ $# -ne 2 ]; then
    echo "调用方式: $0 <系综文件路径> <抽取样本数>" >&2
    exit 1
fi
if [ ! -r "$INPUT_FILE" ]; then
    echo "错误：文件 $INPUT_FILE 不存在或无读权限" >&2
    exit 1
fi

# 统计总样本数，自动跳过末尾不足22行的残缺块
TOTAL_LINES=$(wc -l < "$INPUT_FILE")
TOTAL_SAMPLES=$(( TOTAL_LINES / SINGLE_BLOCK_LINES ))
if [ "$DRAW_CNT" -gt "$TOTAL_SAMPLES" ]; then
    echo "错误：抽取数量$DRAW_CNT超过总有效样本数$TOTAL_SAMPLES" >&2
    exit 1
fi

# 生成不重复随机块号，按序号排序后逐块提取
shuf -i 1-"$TOTAL_SAMPLES" -n "$DRAW_CNT" | sort -n | while read -r block_num; do
    start=$(( (block_num - 1) * SINGLE_BLOCK_LINES + 1 ))
    end=$(( block_num * SINGLE_BLOCK_LINES ))
    sed -n "${start},${end}p" "$INPUT_FILE"
done

使用方式 #

1. 将上述代码保存为mol_sample.sh，执行chmod +x mol_sample.sh添加执行权限
2. 以从100个样本的ensemble.xyz中抽取4个样本、结果保存到sample_4.xyz为例，执行命令：

   ./mol_sample.sh ensemble.xyz 4 > sample_4.xyz
   

补充说明 #

• 所有用到的wc/shuf/sed都是Linux环境默认自带的工具，macOS环境安装coreutils后即可正常使用，没有额外依赖，完全适配现有Bash数据处理流程
• 按固定块切割的方式执行效率极高，哪怕是十万级样本量的大文件也能快速处理，不会出现逐行遍历的性能问题
• 提取过程严格保留每个样本的完整22行结构，不会出现表头和坐标错位、行缺失的问题
• 如果需要固定抽样结果可复现，给shuf添加参数--random-source=<(echo 你的固定种子字符串)即可

内容的提问来源于stack exchange，提问作者saya