水库抽样算法

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（reservoir 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，所以每个元素被替换的概率是1/i

需要证明以这种方法选择，所有的元素等概率被选择。归纳法证明如下：

1、[初始情况] 当尚未选择时，出现在pool中的n个元素概率是相同的，都是1。证明当第n+1个元素以n/(n+1)的概率被选中时，前n个元素在pool中的概率为n/(n+1)，即新旧元素被选中的概率相同：

• 任意元素被替换的概率为：(n/(n+1)) * (1/n) = 1/(n+1)
• 所以前n个元素被选择（没有被替换）的概率为：1-1/(n+1) = n/(n+1)
• 而且前n个元素在选择前在pool中的概率为1，因此两概率相乘：1 * (n/(n+1)) = n/(n+1)，符合结论

2、[假设] 当第i个元素以n/i的概率被选中时，前i-1个元素被选中的概率同样都是n/i。

3、[证明] 第i+1个元素的情况：前i个元素被选中的概率由两部分组成：

• 第i+1次选择之前，这i个元素在pool中：

  • 由假设知，前i个元素被选中的概率为n/i，也就是在pool中的概率

• 第i+1次选择没有替换掉现在pool中的元素：

  • 先算任意元素被替换的概率: (n/(i+1)) * (1/n) = 1/(i+1)
  • 因此没有被替换掉的概率为：1-1/(i+1) = i/(i+1)

  由a和b相乘，即得到前i个元素被选中的概率：(n/i) * (i/(i+1)) = n/(i+1)，符合假设。