Sampling 蓄水池抽样算法

昨天面试，面试官问了我一道这样的题，没有回答出来，现在来总结一下。

Sampling 蓄水池抽样 主要是用来解决等概率选取问题，如果给你一个数组的数据，但是不知道的他的长度，而且每个数据只能访问一次，也就是说你没法通过遍历得到他的长度，也就不能用rand随机获取数据了，这样我们就要用到Sampling算法了

 

我总共总结了两个问题：1，从一组未知长度的数据里面随机等概率选取一个数？

                                       2，从一组未知长度的数据里面随机等概率选取k个数？

 

这两个问题看起来很类似

我们先解决问题一： 由于不知道数组的长度，我们只能从一个i=1,2,3....依次选取，所以选取时的概率只能居于局部的概率，如果选择这个概率，是这个概率在整体上也和其他数据选取是等概率的呢？ 先看下面方法，然后在证明

(1) 对于第n个数，被选取的概率为1/n ，如：第一个数 1/1,第二个数 1/2，第三个数，1/3.....

 

数学归纳法证明：

(1) 当n=1 时，被选中的概率 1/n=1，结果成立

(2) 假设当n=k时，被选中的概率为 1/k，则前 k-1个数被选中的概率也为 1/k

(3)证明 n=k+1时，结论仍然成立

 

注：如果算前k-1个数，每个数被选取的概率呢，很简单。假如i<k，这个概率就等于第i个数被选取的概率1/i *后面未被选取的概率

p=1/i *i/i+1 * i+1/i+2 *i+2/i+3 ....*n-2/n-1 *n-1/n=1/n

 

有上面注解可知，当n=k+1时，p=1/k+1，所以结论成立，证必。

 

第二个问题：从未知长度的数组里面等概率选取k 个元素

方法其实类似，如下

(1) 先选取前K个元素拿出来，然后对k+1个元素，选取的概率为 k/k+1,k+2个元素选取的概率为k/k+2;

怎样保证选取的都是等概率的呢

数学归纳法证明：

(1) 当 n=k+1的时候，第k+1个元素被选中的概率为k/k+1，显然 前k个元素的被选取的概率也为k/k+1

(2) 当 n=j的时候(j>k+1),结论成立，即 第j个元素被选中的概率为j/j+1,则 其余前j的每个元素被选取的概率为k/j+1

(3) 证明n=j+1的时候，结论仍然成立

 

注：当n=j+1时，如何求前j个元素，每个元素 t 被选取的概率呢，这个有两种条件：1，当前t个被选取的概率 2，未被后面元素替换的概率,

    所以P=当前t被选取的概率*未被后面元素替换的概率  。当前被选取的概率 k/t  ; 未被后面元素替换的概率 （1-1/k *k/t+1)* （1-1/k*k/t+2).......=t/t+1 *t+1/t+2*........*n-2/n-1*n-1/n=t/n;

所以P=k/t *t/n=k/n=k/j+1;

所以由注解得，上述结论得证