[面试题][统计学]等概率采集样本点

有一个非常非常大的数据集，有正样本，有负样本，仅知道数据集的size，不知道数据的分布，设计算法从中采样出40000个正样本、60000个负样本，使得样本是等概率被采集到的。

思路：这可以理解为一个海量数据的问题，可以采用堆排序的方式来处理，而利用hash值来排序则可以获得随机性要求。

解法：维护一个大小为40000的小根堆（或者大根堆）、一个大小为60000的小根堆（或者大根堆）。遍历一遍数据集，计算每一个样本id的hash值，如果该样本是正样本：如果hash值大于根节点或者堆中元素不足40000，则插入堆中并调整堆为小根堆（或者大根堆），否则舍弃该元素；如果是负样本则作相应的操作。这一过程还可以使用分布式处理来提高时间性能。