本文介绍在不加载全部数据到内存的前提下，使用 pyarrow 原生 api 对百gb级 arrow 表（如 hugging face dataset 导出的 `.arrow` 文件）进行高效、可复现、带/不带放回的随机采样，并保持原始索引完整性。
当处理像 181 GB、3000 万行这样的超大规模 PyArrow 数据集时，常规思路（如 to_pandas() 后调用 df.sample()）极易因内存溢出导致 Python 进程崩溃。根本原因在于：Pandas 需将整个 Arrow 表解码为列式 NumPy 数组并载入内存——这不仅浪费资源，更违背了 Arrow “零拷贝”与“延迟计算”的设计哲学。
幸运的是，PyArrow 提供了完全内存友好的原生采样能力：Table.take(indices)。该方法仅根据整数索引序列，以 O(1) 时间复杂度按需提取指定行，底层不触发全量解码，也不复制原始数据块，真正实现“采样即取用”。
以下是一个健壮、可复用的采样函数，支持带放回（replace=True）与不带放回（replace=False）两种模式，并保留原始行索引（便于后续溯源或去重分析）：
