水库抽样算法
问题描述
输入:一组数据,大小未知
输出:这组数据的K个均匀抽取
要求:仅扫描一次
总体要求:从N个元素中随机的抽取k个元素,其中N无法确定,保证每个元素抽到的概率相同
解决方案
一些符号:k为要抽样的个数,N为总体个数位置,n为当前遍历的元素的位置。pool为k大小的数组,用来保存抽到的样本
n<=k,把当前值放入pool中,构成初步样本
n>k,生成一个随机数p,如果p<k/n,那么把pool中的任意一个数替换为第n个数。如果p>=k/n,继续保留前面的数。直到数据流结束,返回此k个数。但是为了保证计算机计算分数额准确性,一般是生成一个0到n的随机数,跟k相比,道理是一样的。
特殊情况:当k=1时,从n(n>=2)开始以1/n的概率决定是否保留替换原来pool中元素
证明—归纳法
假设:当第n个元素以k/n,前n-1个元素也被选中的概率也为k/n
证明:
1)当n<=k时,出现在pool中的每个元素概率都是相同的,都为1
2)当n=k+1时,计算前k个元素在pool的概率
==a==.前k个元素在pool中的元素概率都为1
==b==.由假设得,第k+1个元素被选中的概率为:k/(k+1),pool任意元素被替换的概率为(k/(k+1))*(1/k)=1/(k+1),没被替换(即选中)的概率为1-1/(k+1)=k/(k+1).
由a*b=1*k/(k+1)=k/(k+1),前k个元素和k+1元素被选中的概率都为k/k+1。
3)当n>k+1时,计算前n-1个元素在pool的概率
==a==.前n-1个元素在pool中被选择的的概率为k/(n-1)
==b==.由假设得,第n个元素被选中的概率为:k/n,pool任意元素被替换的概率为(k/n)*(1/k)=1/n,没被替换(即选中)的概率为1-1/n=(n-1/)n。
由a*b=(k/(n-1))*((n-1)/n)=k/n,前k个元素和k+1元素被选中的概率都为k/n。
因为假设成立,所以到数据结束时,所有元素的抽到的概率都为k/N
代码实现:C++
//水库采样 用较小的开销来估计一个较大的数据流
#include<stdio.h>
#include<stdlib.h>
#include<time.h>
int main()
{
int count=0;
long long int sum_all=0;
long int sum=0;
int i=0;
int data;//取数据
int length=500;//水库大小
int *set=(int *)malloc(length*sizeof(int));//定义一个集合
int index=0;//下标
int randIndex=0;//随机下标
double randNum=0;//随机数
FILE *fp=fopen("stream_sample.txt","r");
srand(time(0));//以time(0)为种子
if(!fp)
{
printf("file open failed !\n");
system("pasue");
return -1;
}
while(!feof(fp))
{
fscanf(fp,"%d",&data);//取文本中的数据
sum_all+=data;//所有数据之和
//打印所有数据
//printf("%d\t",data);
if(index<length)//水库填充时
{
set[index]=data;
index++;
}
else//水库被填充满时
{
randNum=(rand()%(index+1));
if(randNum<length)
{
randIndex=rand()%length;
set[randIndex]=data;
}
index++;
}
}
printf("\n-----------------------------------------\n");
printf("一共有%d个数据\n",index);
printf("\n-----------------------------------------\n");
printf("水库中的数");
for(i=0;i<length;i++)
{
printf("%d\t",set[i]);
}
printf("\n");
printf("\n-----------------------------------------\n");
printf("\n-----------------------------------------\n");
for(i=0;i<length;i++)
{
sum+=set[i];//水库中的叠加
}
printf("%lf\t%lf",(double)sum/length,(double)sum_all/(index-1));
printf("\n");
fclose(fp);
system("pause");
return 0;
}