百度面试题的一个完整思路

为分析用户行为，系统常需存储用户的一些query，但因query非常多，故系统不能全存，设系统每天只存m个query，现设计一个算法，对用户请求的query进行随机选择m个，请给一个方案，使得每个query被抽中的概率相等，并分析之，注意：不到最后一刻，并不知用户的总请求量。

做法：

1、如果query总数小于等于m，直接存起来。

2、如果query数目开始大于m，例如为m+i个，那么从m+1，……m+i，每个新来的query元素m+k（k=1……i），用m/（m+k）的概率去取，即可用m+k的随机数来判别。

3、如果随机数判定该query元素被取中，那么对已存好的m个元素，每个元素均用1/m的概率去判定是否被m+k替换，例如原先m=5，{1,2,3,4,5}，当前m+k为6，对1,2,3,4,5每个都有1/5的概率被替换成6即m+k。

4、如果m+k没被选中，则考察m+k+1个元素，继续判别m+k+1是否被取中，取中则执行3，否则继续判别下一个元素。直到m+1……m+k个元素全部被考察替换完毕。

关键点，每个query抽中概率相等，言下之意是指每次多来一个query的时候，这个新来的query和已经有的query被抽取放入存储区的概率都应该要相等。前m个，每个取的概率均为1，这相等。从m+1开始，取的概率为m/（m+1），那么前面m个query被取放入存储区的概率=1-被第m+1个query替换的概率=1-m/（m+1）*（1/m）（即m+1被取中且刚好用1/m的概率替换掉存储区中的某元素）=m/（m+1）符合条件。

假设m+p成立，即m+p被取的概率为m/(m+p)，则m+p+1的被取概率P1为m/（m+p+1），存储区中的元素被取的概率P2=被取中且没有被m+p+1替换=（首先在m+p的时候要被取）*（（m+p+1）没取中+（m+p+1）取中但是没替换掉自己）=m/（m+p）（（1-m/（m+p+1））+m/（m+p+1）（1-1/m））=m/（m+p+1）

P1==P2，所以每个query的抽取放入存储区中的概率一样。

参考了http://blog.csdn.net/hackbuteer1/article/details/7971328这篇博文的解释。

主要是写下了具体的操作思路，以作备忘，如有错漏，请不吝指教