洗牌算法-蓄水池采样算法（Reservoir Sampling）

原文链接：https://www.cnblogs.com/snowInPluto/p/5996269.html

蓄水池采样算法

问题描述分析

采样问题经常会被遇到，比如：

1. 从 100000 份调查报告中抽取 1000 份进行统计。
2. 从一本很厚的电话簿中抽取 1000 人进行姓氏统计。
3. 从 Google 搜索 "Ken Thompson"，从中抽取 100 个结果查看哪些是今年的。

这些都是很基本的采用问题。

既然说到采样问题，最重要的就是做到公平，也就是保证每个元素被采样到的概率是相同的。所以可以想到要想实现这样的算法，就需要掷骰子，也就是随机数算法。（这里就不具体讨论随机数算法了，假定我们有了一套很成熟的随机数算法了）

对于第一个问题，还是比较简单，通过算法生成 [0,100000−1)[0,100000−1) 间的随机数 1000 个，并且保证不重复即可。再取出对应的元素即可。

但是对于第二和第三个问题，就有些不同了，我们不知道数据的整体规模有多大。可能有人会想到，我可以先对数据进行一次遍历，计算出数据的数量 NN，然后再按照上述的方法进行采样即可。这当然可以，但是并不好，毕竟这可能需要花上很多时间。也可以尝试估算数据的规模，但是这样得到的采样数据分布可能并不平均。

算法过程

终于要讲到蓄水池采样算法（Reservoir Sampling）了。先说一下算法的过程：

假设数据序列的规模为 nn，需要采样的数量的为 kk。

首先构建一个可容纳 kk 个元素的数组，将序列的前 kk 个元素放入数组中。

然后从第 k+1k+1 个元素开始，以 knkn 的概率来决定该元素是否被替换到数组中（数组中的元素被替换的概率是相同的）。 当遍历完所有元素之后，数组中剩下的元素即为所需采取的样本。

证明过程

对于第 ii 个数（i≤ki≤k）。在 kk 步之前，被选中的概率为 11。当走到第 k+1k+1 步时，被 k+1k+1 个元素替换的概率 = k+1k+1 个元素被选中的概率 * ii 被选中替换的概率，即为 kk+1×1k=1k+1kk+1×1k=1k+1。则被保留的概率为 1−1k+1=kk+11−1k+1=kk+1。依次类推，不被 k+2k+2 个元素替换的概率为 1−kk+2×1k=k+1k+21−kk+2×1k=k+1k+2。则运行到第 nn 步时，被保留的概率 = 被选中的概率 * 不被替换的概率，即：

 

1×kk+1×k+1k+2×k+2k+3×…×n−1n=kn1×kk+1×k+1k+2×k+2k+3×…×n−1n=kn

对于第 jj 个数（j>kj>k）。在第 jj 步被选中的概率为 kjkj。不被 j+1j+1 个元素替换的概率为 1−kj+1×1k=jj+11−kj+1×1k=jj+1。则运行到第 nn 步时，被保留的概率 = 被选中的概率 * 不被替换的概率，即：

 

kj×jj+1×j+1j+2×j+2j+3×...×n−1n=knkj×jj+1×j+1j+2×j+2j+3×...×n−1n=kn

所以对于其中每个元素，被保留的概率都为 knkn.

代码示例

贴出测试用的示例代码（Java 实现）：

public class ReservoirSamplingTest {

    private int[] pool; // 所有数据
    private final int N = 100000; // 数据规模
    private Random random = new Random();

    @Before
    public void setUp() throws Exception {
        // 初始化
        pool = new int[N];
        for (int i = 0; i < N; i++) {
            pool[i] = i;
        }
    }

    private int[] sampling(int K) {
        int[] result = new int[K];
        for (int i = 0; i < K; i++) { // 前 K 个元素直接放入数组中
            result[i] = pool[i];
        }

        for (int i = K; i < N; i++) { // K + 1 个元素开始进行概率采样
            int r = random.nextInt(i + 1);
            if (r < K) {
                result[r] = pool[i];
            }
        }

        return result;
    }

    @Test
    public void test() throws Exception {
        for (int i : sampling(100)) {
            System.out.println(i);
        }
    }
}

结果就不贴出来了，毕竟每次运行结果都不一样。

总结

蓄水池算法适用于对一个不清楚规模的数据集进行采样。以前在某个地方看到过一个面试题，说是从一个字符流中进行采样，最后保留 10 个字符，而并不知道这个流什么时候结束，且须保证每个字符被采样到的几率相同。用的就是这个算法。

在高德纳的 TAOCP 中有对于这个算法的描述，可以说这是个很精巧的算法。在看到这个算法实现前，很难想到可以通过这样的一种方式进行采样。