Muestreo aleatorio de filas CSV con semilla reproducible

Envíe el texto CSV, el tamaño de la muestra y una semilla entera: las mismas tres entradas siempre generan el mismo CSV reducido. Resulta especialmente útil cuando una revisión, una prueba, una demostración o una auditoría necesita un conjunto manejable que cualquier colaborador pueda reproducir con exactitud.

Cree un subconjunto aleatorio que otros puedan reproducir

El muestreo aleatorio corriente deja de ser práctico cuando otra persona debe repetirlo. Una hoja de cálculo puede elegir registros distintos al recalcularse, y un script sin documentar puede hacer dudar a quien revisa sobre si el resultado cambió entre ejecuciones. Esta herramienta incorpora la semilla a la entrada, junto con el texto CSV y el tamaño solicitado. Por ello, entradas idénticas producen exactamente los mismos registros, algo apropiado para experimentos versionados, notas de revisión y controles de calidad repetibles. El primer registro CSV siempre se considera la cabecera y se conserva. El muestreo se aplica únicamente a los registros de datos posteriores, y cada uno puede aparecer como máximo una vez. Los registros devueltos mantienen su orden relativo original, lo que facilita comparar el archivo reducido con la fuente. Se reconocen campos entrecomillados con comas, comillas escapadas o saltos de línea sin reconstruir su contenido.

Elija deliberadamente el tamaño y la semilla

Defina sample_size con el número exacto de registros de datos que necesita. El valor cero es válido y devuelve solo la cabecera, lo que puede servir para crear un fixture vacío que conserve el esquema. El tamaño no puede superar la cantidad de registros disponibles, pues el muestreo se realiza sin reemplazo: solicitar más filas distintas de las que existen sería imposible. En ese caso, la solicitud devuelve un error de entrada claro en lugar de duplicar registros o reducir el tamaño en silencio. seed debe ser un entero seguro. No es un secreto de seguridad ni necesita ser imprevisible; su función es identificar una selección reproducible. Los equipos suelen derivarla de un número de experimento, caso de prueba o ronda de revisión y guardarla junto al resultado. Cambiar solo la semilla suele producir otro subconjunto, mientras que recuperar la anterior restaura la selección previa. Mantenga sin cambios el CSV fuente cuando necesite reproducibilidad.

Use el CSV muestreado con criterio en pruebas y revisiones

Un subconjunto aleatorio ayuda en inspecciones rápidas, pruebas básicas de canalizaciones, demostraciones y distribución de fixtures manejables, pero no se convierte automáticamente en una muestra estadísticamente representativa. Las categorías poco frecuentes pueden quedar fuera por azar, sobre todo si la muestra solicitada es pequeña. Si todas las categorías deben aparecer, utilice un proceso estratificado y no considere que una muestra aleatoria sin restricciones lo garantiza. Esta capacidad no realiza llamadas de red, enriquecimiento, conversión de tipos, cambio de delimitador ni limpieza. Conserva los registros CSV seleccionados y los une bajo la cabecera original, evitando sorpresas como fechas reescritas o números normalizados. También mantiene intactos los registros multilínea entrecomillados. Las líneas físicas vacías bajo la cabecera cuentan como registros, ya que eliminarlas alteraría la población proporcionada. Para automatizar, guarde la semilla, el tamaño y una copia estable o suma de comprobación de la fuente. Cada solicitud de API cuesta $0.002; la versión del navegador calcula lo mismo localmente.