水塘抽样
水塘抽样是一系列的随机算法,其目的在于从包含n个项目的集合S中选取k个样本,其中n为一很大或未知的数量,尤其适用于不能把所有数据都存放到内存的情况,或者流式数据中的随机抽样
1. 当k=1的情况
要保证每个数等概率被抽中,那么每个数抽中的概率为1/N ,抽样策略为:以1/i 的概率保留第i个数:
P ( n i ) = 1 i ∗ ( 1 − 1 i + 1 ) ∗ ( 1 − 1 i + 2 ) … … ∗ ( 1 − 1 n − 1 ) ∗ ( 1 − 1 n ) = 1 i ∗ i i + 1 … … ∗ n − 2 n − 1 ∗ n − 1 n = 1 n P(n_i)= \frac{1}{i} * (1-\frac{1}{i+1} )*(1-\frac{1}{i+2}) ……*(1-\frac{1}{n-1})*(1-\frac{1}{n}) \\ = \frac{1}{i} * \frac{i}{i+1} ……* \frac{n-2}{n-1} * \frac{n-1}{n} = \frac{1}{n} P(ni)=i1∗(1−i+11)∗(1−i+21)……∗(1−n−11)∗(1−n1)=i1∗i+1i……∗n−1n−2∗nn−1=n1
2. k>1的情况
k>1的情况要保证每个数倍抽中的概率都为 k/n ,此时的抽样策略为:第i个数我们以 k/i 的概率保留下来,并且随机替换前k个选中的数的一个。
P ( n i ) = k i ∗ [ ( 1 − k i + 1 ) + ( k i + 1 ) ( 1 − 1 / k ) ] ∗ [ ( 1 − k i + 2 ) + ( k i + 2 ) ( 1 − 1 / k ) ] … … ∗ [ ( 1 − k n ) + ( k n ) ( 1 − 1 / k ) ] = k i ∗ i i + 1 ∗ i + 1 i + 2 … … ∗ n − 1 n = k n P(n_i)= \frac{k}{i} * [(1-\frac{k}{i+1} ) + (\frac{k}{i+1})(1-1/k) ] *[ (1-\frac{k}{i+2} ) + (\frac{k}{i+2})(1-1/k) ] …… *[ (1-\frac{k}{n} ) + (\frac{k}{n})(1-1/k) ]\\ = \frac{k}{i} * \frac{i}{i+1} * \frac{i+1}{i+2} …… * \frac{n-1}{n} = \frac{k}{n} P(ni)=ik∗[(1−i+1k)+(i+1k)(1−1/k)]∗[(1−i+2k)+(i+2k)(1−1/k)]……∗[(1−nk)+(nk)(1−1/k)]=ik∗i+1i∗i+2i+1……∗nn−1=nk
代码实现
def reservoirSample(arr: Array[Int], k: Int = 1) = {
// 前k个数,首先都会保留下来
val res: Array[Int] = arr.take(k)
for (i <- k until arr.length) {
val c = math.random
// 第 i 个数 (i>k) 以 k/i 的概率保留下来;
if ((k / (i + 1.0)) >= c) {
// 随机替换前面已选择的k个数中的任意一个 (每个数被替换的概率为1/k)
res(Random.nextInt(k)) = arr(i)
}
}
res
}
数据验证:
def main(args: Array[String]): Unit = {
def fibFrom(a: Int, b: Int): Stream[Int] = a #:: fibFrom(b, a + b)
val fbs = fibFrom(1, 2).take(8).toArray
val fb = (1 to 80000).flatMap(x => reservoirSample(fbs,3).map(y => (y, 1)))
.groupBy(_._1)
.map(t => (t._1, t._2.map(_._2).sum))
.toList.sortBy(_._1)
println(fb)
数据结果:从数据流中抽取的数据结果符合预期
List((1,30132), (2,29966), (3,30100), (5,29941), (8,30089), (13,29827), (21,30127), (34,29818))
参考:
https://zhuanlan.zhihu.com/p/29178293?utm_source=wechat_timeline