Reservior Sampling(蓄水池采样) in Data Streams

引言

在统计学习里面，采样通常分为两类，unbiased Sample(无偏采样)和biased Sample(有偏采样)。本文介绍的蓄水次采样就是一种无偏采样算法。它的特点是在对不知道样本总体个数或者样本总体个数太大，大到无法全部存放在内存中的情况下，可以保证每个样本被选取的概率是一样的，为K/N，其中K为“蓄水池”的大小，N为当前数据流中包含的样本个数。

算法描述

假设有一个数据流，其中包含的样本个数未知。现在有一个长度为K的缓存，现在需要从这个数据流中采样K个样本，满足：数据流中每个样本被选中的概率一样。算法过程如下：

1. 数据流前K个样本直接依次放入到缓存中。n:表示当前处理过的样本个数
2. 当n>k时，每个样本以k/n的概率被选中，一旦该样本被选中，则需要从原本被选中的K个样本随机选择一个样本丢弃，腾出空间存放新的被选中的样本。n++。
3. 如此重复过程2即可。

算法的伪码如下：

void reserviorSample(...){
   data:current data from data stream
   i:Int
   n:the number of data
   s[1:K]:array which is used to store sampled data
   data=get(datastream);
   if(n<=K){
     s[n]=data;
   }else{
     i=rand(n);
     if(i<k){
       s[i]=data;
     }
   }
   n++;
}

结论：当前处理了n个流数据点后，任何数据点被保存在蓄水池中的概率是一样的，都是K/n。

算法证明

证明的方法有很多，可以使用归纳法对保存在蓄水池中的某一个样本做归纳推理即可。
现使用直接推理法：
当n<=K时，证明tirval。
当n>K时，对于当前的数据点data,我们考虑它被采样选中的概率。根据算法的描述，可知，当前状态下data被选中的概率：

P(data is s