全体の行数がわからないデータからランダムにN行取り出す

テキストデータからランダムにN行取り出す方法ですが、まず「シャッフルしてN行取り出す」というのがあります。
しかし、データが大きいとシャッフルにも大量のメモリが必要になるので、別の方法を考えたいところです。
ここで、全体の行数がわかっていれば簡単に書ける（後で書きます）ところですが、一度行数を調べてから取り出すとなると二度手間になってしまいます。

こういうときは、Perl（-nオプション）で次のように書くと、$n個を配列に格納することができます（順序はランダムではありません）。

$t = $. <= $n ? $. - 1 : rand($.);
$r[$t] = $_ if $t < $n;

スクリプト全体はこのGistです。
これを保存して実行可能にしてパスを通せば、次のようにランダム抽出ができます。

$ randpick -n 5 KEN_ALL.CSV | piconv -f cp932
01665,"08833","0883332","ﾎｯｶｲﾄﾞｳ","ｶﾜｶﾐｸﾞﾝﾃｼｶｶﾞﾁｮｳ","ｻﾂﾄﾓﾅｲｹﾞﾝﾔ","北海道","川上郡弟子屈町","札友内原野",0,0,0,1,0,0
08227,"30801","3080103","ｲﾊﾞﾗｷｹﾝ","ﾁｸｾｲｼ","ﾂｼﾞ","茨城県","筑西市","辻",0,0,0,0,0,0
15202,"940  ","9400872","ﾆｲｶﾞﾀｹﾝ","ﾅｶﾞｵｶｼ","ｲﾅﾊﾞﾏﾁ","新潟県","長岡市","稲葉町",0,0,0,0,0,0
08204,"306  ","3060053","ｲﾊﾞﾗｷｹﾝ","ｺｶﾞｼ","ﾅｶﾀﾞ","茨城県","古河市","中田",0,0,0,0,0,0
26109,"612  ","6128344","ｷｮｳﾄﾌ","ｷｮｳﾄｼﾌｼﾐｸ","ｵｵﾂﾏﾁ","京都府","京都市伏見区","大津町",0,0,0,0,0,0

アルゴリズムはReservoir samplingというもので、以下の記事に詳しい解説があります。

大量のテキストからランダムに少数の行を抽出したい - Reservoir Sampling

ところで、このアルゴリズムの欠点はO(N)だけメモリを使うというところで、Nが大きくなってくると問題になるかもしれません（そういうことは私のユースケースではあまりないですが）。
そういう場合のために、「全体の行数がわかっているデータからランダムにN行取り出す」スクリプトも書いておきます。
こちらはメモリをほとんど使いません。

if (rand($all - $. + 1) < $n) {
    print;
    --$n;
}

Gist

このアルゴリズムは、以下の記事でKnuthの方法として紹介されているものです。

非復元抽出の高速かつ実装が簡単な方法を考える

これを使う場合は次のようになります。

$ wc -l < KEN_ALL.CSV
  124263
$ randpick_a -a 124263 -n 5 KEN_ALL.CSV | piconv -f cp932
13206,"183  ","1830041","ﾄｳｷｮｳﾄ","ﾌﾁｭｳｼ","ｷﾀﾔﾏﾁｮｳ","東京都","府中市","北山町",0,0,1,0,0,0
15222,"94201","9420114","ﾆｲｶﾞﾀｹﾝ","ｼﾞｮｳｴﾂｼ","ｸﾋﾞｷｸｶｷﾉ","新潟県","上越市","頸城区柿野",0,0,0,0,0,0
26106,"600  ","6008167","ｷｮｳﾄﾌ","ｷｮｳﾄｼｼﾓｷﾞｮｳｸ","ﾄｷﾜﾁｮｳ","京都府","京都市下京区","常葉町",0,0,0,0,0,0
27206,"595  ","5950045","ｵｵｻｶﾌ","ｲｽﾞﾐｵｵﾂｼ","ｼﾀﾉﾁｮｳ","大阪府","泉大津市","下之町",0,0,0,0,0,0
36202,"77903","7790305","ﾄｸｼﾏｹﾝ","ﾅﾙﾄｼ","ｵｵｱｻﾁｮｳﾀｶﾊﾞﾀｹ","徳島県","鳴門市","大麻町高畑",0,1,0,0,0,0