海量数据随机抽样问题（蓄水池问题）

最新推荐文章于 2020-08-24 16:55:38 发布

hackbuteer1

最新推荐文章于 2020-08-24 16:55:38 发布

阅读量3w

点赞数 8

分类专栏：剑指Offer IT公司笔试题集锦文章标签： random 算法任务扩展

本文链接：https://blog.csdn.net/Hackbuteer1/article/details/7971328

版权

本文介绍了蓄水池抽样（Reservoir Sampling）算法，用于在数据流中进行随机抽样。算法保证了在无法预知数据总量N的情况下，每个元素被抽中的概率相等。通过初始化一个容量为k的蓄水池，以k/i的概率替换蓄水池中的元素，从而实现随机性。这种方法适用于数据只能读取一次且数据量庞大的场景。证明过程使用了数学归纳法，确保了每个元素被抽取的概率恒定。该算法还可以扩展到链表数据结构，抽取k个随机元素。

摘要由CSDN通过智能技术生成

随机抽样问题表示如下：
要求从N个元素中随机的抽取k个元素，其中N无法确定。
这种应用的场景一般是数据流的情况下，由于数据只能被读取一次，而且数据量很大，并不能全部保存，因此数据量N是无法在抽样开始时确定的；但又要保持随机性，于是有了这个问题。所以搜索网站有时候会问这样的问题。
这里的核心问题就是“随机”，怎么才能是随机的抽取元素呢？我们设想，买彩票的时候，由于所有彩票的中奖概率都是一样的，所以我们才是“随机的”买彩票。那么要使抽取数据也随机，必须使每一个数据被抽样出来的概率都一样。
【解决】
解决方案就是蓄水库抽样（reservoid sampling）。主要思想就是保持一个集合（这个集合中的每个数字出现），作为蓄水池，依次遍历所有数据的时候以一定概率替换这个蓄水池中的数字。
其伪代码如下：

 Init : a reservoir with the size： k
        for    i= k+1 to N
            M=random(1, i);
            if( M < k)
                 SWAP the Mth value and ith value
       end for

解释一下：程序的开始就是把前k个元素都放到水库中，然后对之后的第i个元素，以k/i的概率替换掉这个水库中的某一个元素。
下面来具体证明一下：每个水库中的元素出现概率都是相等的。
【证明】
（