一个集合里有 n
个元素,每个元素有不同的权重,现在要不放回地随机抽取 m
个元素,每个元素被抽中的概率为元素的权重占总权重的比例。要怎么做呢?
简单的解法
现在考虑只抽取一个元素,假设权重之和为 1
。我们可以从 [0, 1]
中随机得到一个权重,假设为 0.71
,而后从第一个元素开始,不断累加它们的权重,直到有一个元素的累加权重包含 0.71
,则选取该元素。下面是个示意图:
要选取 m 个元素,则可以按上面的方法先选取一个,将该元素从集合中去除,再反复按上面的方法抽取剩余的元素。这种方法的复杂度是 O(mn)
,并且将元素从集合中删除其实不太方便实现。
当然,最重要的是这个算法需要多次遍历数据,不适合用在流处理的场景中。
Algorithm A
Algorithm A 是论文 Weighted Random Sampling 中提出的,步骤如下:
- 对于集合
中的元素
,选取均匀分布的随机数
,计算元素的特征
- 将集合按
排序,选取前
大的元素。
算法的正确性在作者 2006 年的论文 Weighted random sampling with a reservoir 里给了详细的证明。论文中给出了算法的两个变种 A-Res 与 A-ExpJ,它们都能在一次扫描中得到 m
个样本。非常适合在流处理的场合中。
A-Res 算法
A-Res(Algorithm A With a Reservoir) 是 Algorithm 的“蓄水池”版本,即维护含有 m
个元素的结果集,对每个新元素尝试去替换结果集中权重最小的元素。步骤如下:
- 将集合
的前
个元素放入结果集合
。
- 对于结果集里的每个元素,计算特征值
,其中
- 对
重复步骤 4 ~ 6
- 将结果集中最小的特征
作为当前的阈值
- 对于元素
,计算特征
,其中
- 如果
则将
中拥有最小
值的元素替换成
。
- 将结果集中最小的特征
论文证明了如果权重 是一般连续分布上的随机变量,则上面的算法中插入
的次数为
。
该算法用 Python 实现如下:
import heapq
import random
def a_res(samples, m):
"""
:samples: [(item, weight), ...]
:k: number of selected items
:returns: [(item, weight), ...]
"""
heap = [] # [(new_weight, item), ...]
for sample in samples:
wi = sample[1]
ui = random.uniform(0, 1)
ki = ui ** (1/wi)
if len(heap) < m:
heapq.heappush(heap, (ki, sample))
elif ki > heap[0][0]:
heapq.heappush(heap, (ki, sample))
if len(heap) > m:
heapq.heappop(heap)
return [item[1] for item in heap]
A-ExpJ 算法
A-Res 需要对每个元素产生一个随机数,而生成高质量的随机数有可能会有较大的性能开销,,所以论文中给出了 A-ExpJ 算法,能将随机数的生成量从 减少到
。从步骤上看,很像我们最开始提出的简单版本,设定一个阈值并跳过一些元素。具体步骤如下:
- 将集合
的前
个元素放入结果集合
。
- 对于结果集里的每个元素,计算特征值
,其中
- 将
中小最的特征值记为阈值
- 对剩下的元素重复步骤 5 ~ 10
- 令
且
- 从当前元素
开始跳过元素,直到遇到元素
,满足
- 使用
替换
中特征值最小的元素。
- 令
,
,
的特征
- 令新的阈值
为此时
中的最小特征值。
- 令
Python 实现如下:
def a_expj(samples, m):
"""
:samples: [(item, weight), ...]
:k: number of selected items
:returns: [(item, weight), ...]
"""
heap = [] # [(new_weight, item), ...]
Xw = None
Tw = 0
w_acc = 0
for sample in samples:
if len(heap) < m:
wi = sample[1]
ui = random.uniform(0, 1)
ki = ui ** (1/wi)
heapq.heappush(heap, (ki, sample))
continue
if w_acc == 0:
Tw = heap[0][0]
r = random.uniform(0, 1)
Xw = math.log(r)/math.log(Tw)
wi = sample[1]
if w_acc + wi < Xw:
w_acc += wi
continue
else:
w_acc = 0
tw = Tw ** wi
r2 = random.uniform(tw, 1)
ki = r2 ** (1/wi)
heapq.heappop(heap)
heapq.heappush(heap, (ki, sample))
return [item[1] for item in heap]
验证
我们用多次采样的方式来尝试验证算法的正确性。下面代码1中为 a
、b
、c
等元素赋予了不同的权重,采样 10 万次后计算被采样的次数与元素 a
被采样次数的比值。
overall = [('a', 10), ('b', 20), ('c', 50), ('d', 100), ('e', 200)]
def test_weighted_sampling(func, k):
stat = {}
for i in range(100000):
sampled = func(overall, k)
for item in sampled:
if item[0] not in stat:
stat[item[0]] = 0
stat[item[0]] += 1
total = stat['a']
for a in stat:
stat[a] = float(stat[a])/float(total)
print(stat)
首先验证 A-Res 算法:
test_weighted_sampling(a_res, 1)
test_weighted_sampling(a_res, 2)
test_weighted_sampling(a_res, 3)
test_weighted_sampling(a_res, 4)
test_weighted_sampling(a_res, 5)
# output
{'e': 19.54951600893522, 'd': 9.864110201042442, 'c': 4.842889054355919, 'a': 1.0, 'b': 1.973566641846612}
{'b': 2.0223285486443383, 'e': 12.17949833260838, 'd': 8.95287806292591, 'c': 4.843410178338408, 'a': 1.0}
{'a': 1.0, 'e': 6.166443722530097, 'd': 5.597171794381808, 'b': 1.9579591056755208, 'c': 4.387922797630423}
{'b': 1.8358898492044953, 'e': 2.5878688779880092, 'c': 2.4081341327311896, 'd': 2.549897479820395, 'a': 1.0}
{'a': 1.0, 'd': 1.0, 'c': 1.0, 'b': 1.0, 'e': 1.0}
看到,在采样一个元素时,b
被采样到的次数约为 a
的 2
倍,而 e
则约为 20
倍,与overall
数组中指定的权重一致。而采样 5 个元素时,所有元素都会被选中。
同理验证 A-ExpJ 算法:
test_weighted_sampling(a_expj, 1)
test_weighted_sampling(a_expj, 2)
test_weighted_sampling(a_expj, 3)
test_weighted_sampling(a_expj, 4)
test_weighted_sampling(a_expj, 5)
# output
{'e': 19.78311444652908, 'c': 4.915572232645403, 'd': 9.840900562851782, 'a': 1.0, 'b': 1.9838649155722325}
{'e': 11.831543244771057, 'c': 4.709157716223856, 'b': 1.9720180893159978, 'd': 8.75183719615602, 'a': 1.0}
{'d': 5.496249062265567, 'c': 4.280007501875469, 'e': 6.046324081020255, 'b': 1.9321080270067517, 'a': 1.0}
{'a': 1.0, 'd': 2.5883654175335105, 'c': 2.440760540383957, 'e': 2.62591841571643, 'b': 1.8787559581808126}
{'a': 1.0, 'd': 1.0, 'c': 1.0, 'b': 1.0, 'e': 1.0}
与 A-Res 的结果类似。
小结
文章中介绍了 A-Res 与 A-ExpJ 两种算法,按照步骤用 Python 实现了一个简单的版本,最后用采样的方式验证了算法的正确性。
加权随机采样本身不难,但如果需要在一次扫描中完成就不容易了。难以想像上面的算法直到 2006 年才提出。算法本身如此之简单,也让不感叹数学与概率的精妙。
参考
- Weighted Random Sampling (2005; Efraimidis, Spirakis) 2015 年论文,大概介绍了本文中提到的算法
- Weighted random sampling with a reservoir 作者于 2016 年的论文,其中有详细的数学证明
- 加权随机抽样 有 2005 年论文的翻译
- 概率加权的随机抽样 (Weighted Random Sampling) – A-Res 蓄水池算法
- Metrics Core Java 的一个性能监控库,其中的
ExponentiallyDecayingReservoir
用到了 A-Res 算法。
- 1.修改自 https://blog.xingwudao.me/2017/09/26/sampling/ ↩