systematic-sampler

name	systematic_sampler
description	系统采样算子。按照固定间隔从数据中进行系统采样，适用于时间序列数据或需要均匀分布样本的场景。 当用户提到系统采样、等距抽样、按间隔取样、均匀抽样等需求时使用此skill。 即使用户没有明确说出"系统采样"，只要任务涉及从有序数据中按固定步长抽取样本，就应该使用此skill。 不负责分层采样或随机采样。
name_zh	系统采样算子
input_params	[{"name":"input","type":"string","required":true,"description":"输入JSONL文件路径"},{"name":"output","type":"string","required":true,"description":"输出JSONL文件路径"},{"name":"method","type":"string","required":true,"description":"采样方式：interval/count"},{"name":"interval","type":"string","required":false,"default":"0","description":"采样间隔（method=interval时）"},{"name":"count","type":"string","required":false,"default":"0","description":"目标采样数量（method=count时）"},{"name":"start_offset","type":"string","required":false,"default":"0","description":"起始偏移量"},{"name":"log_file","type":"string","required":false,"description":"日志文件路径"}]
output_params	[{"name":"output","type":"list","description":"系统采样后的数据"},{"name":"sample_count","type":"integer","description":"采样数量"}]
tag	数据筛选
publisher	COMMUNITY

SystematicSampler - 系统采样算子

功能概述

按照固定间隔从数据中进行系统采样，适用于时间序列数据或需要均匀分布样本的场景。支持指定间隔或根据目标数量自动计算间隔。

触发条件

当用户提到以下任务时，应使用此skill：

• 系统采样
• 等距抽样
• 按间隔取样
• 均匀抽样

核心参数说明

必需参数

• --input：输入JSONL文件路径
• --output：输出JSONL文件路径
• --method：采样方式，interval 或 count

可选参数

• --interval：采样间隔，method=interval 时使用
• --count：目标采样数量，method=count 时使用
• --start_offset：起始偏移量，默认 0
• --log_file：日志文件路径

输入文件格式

支持 JSONL，每行一个 JSON 对象。

使用方法

按间隔采样

python scripts/run_systematic_sampler.py \
  --input data.jsonl \
  --output sampled.jsonl \
  --method interval \
  --interval 10 \
  --start_offset 0

按目标数量采样

python scripts/run_systematic_sampler.py \
  --input data.jsonl \
  --output sampled.jsonl \
  --method count \
  --count 1000 \
  --start_offset 5

输出示例

[OK] Systematic sampling completed
   Input: data.jsonl
   Output: sampled.jsonl
   Total records: 12
   Sampling interval: 3
   Start offset: 1
   Sampled records: 4
   Sampling rate: 33.33%

环境要求

• Python 3.x
• 标准库即可运行

注意事项

1. 输入必须是 JSONL 格式。
2. method=count 会基于目标数量估算间隔，并在需要时截断到目标数量。
3. start_offset 不能大于数据长度。
4. 输出记录会追加 _sample_index 和 _sample_interval 标记。