Reservoir Sampling - 蓄水池抽样

转载http://www.cnblogs.com/HappyAngel/archive/2011/02/07/1949762.html

腾讯面试题：一个数据流中，如何采样得到100个数，保证采样得到的100个数是随机的？

问题抽象：要求从N个元素中随机的抽取k个元素，其中N无法确定，而且每个数据只能被读一次。

主要应用场景为数据流，数据量很大，无法保存，还要保证随机抽样。

选一个数从数据流中选取一个数，要求每一个数被选中的概率相等

这道题在编程珠玑上：

How could you select one of n objects at random, where you see the objects sequentially but you do not know the value of n beforehand? For concreteness, how would you read a text file, and select and print one random line, when you don’t know the number of lines in advance?

扩展：选k个数，从数据流中选取K个数，要求随机选取

每次以k/i  的概率选中选中该数，i为当前总数。

参考 蓄水池算法

Reservoir Sampling

此外还有：加权分布式蓄水池抽样