算法简介
蓄水池抽样算法是随机算法的一种,用来从 N 个样本中随机选择 m 个样本,其中 N 非常大(以至于 N 个样本不能同时放入内存),且 N 是一个未知数。请问如何在只遍历一遍数据(O(N))的情况下,能够随机选取出m个不重复的数据。
综上,可以提炼出以下三点:
- 数据流长度N很大且不可知,所以不能一次性存入内存;
- 时间复杂度为O(N);
- 随机选取m个数,每个数被选中的概率为m/N;
第1点限制了不能直接取N内的m个随机数,然后按索引取出数据。第2点限制了不能先遍历一遍,然后分块存储数据,再随机选取。第3点是数据选取绝对随机的保证。
基本原理
算法首先创建一个长度为 m 的数组(蓄水池)用来存放结果,初始化为 S 的前 m 个元素。然后从 m+1 个元素开始迭代直到数组结束(N),在 S 的第 i 个元素,算法生成一个随机数 j∈[1,i], 如果 j <= k, 那么蓄水池的第 j 个元素被替换为 S 的第 i 个元素。对应伪代码如下:
array R[m]; // result
integer i, j;
// fill the reservoir array
for each i in 1 to m do
R[i] := S[i]
done;
// replace elements with gradually decreasing probability
for each i in m+1 to length(S) do
j := random(1, i); // important: inclusive range
if j <= m then
R[j] := S[i]
fi
done
算法正确性证明
待证明结论:该算法保证每个元素以 m / n 的概率被选入蓄水池数组。
证明:
首先,对于任意的 i,第 i 个元素进入蓄水池的概率为 m / i;而在蓄水池内每个元素被替换的概率为 1 / m; 因此在第 i 轮第j个元素被替换的概率为 (m / i ) * (1 / m) = 1 / i。 接下来用数学归纳法来证明,当循环结束时每个元素进入蓄水池的概率为 m / n.
假设在 (i-1) 次迭代后,任意一个元素进入 蓄水池的概率为 m / (i-1)。有上面的结论,在第 i 次迭代时,该元素被替换的概率为 1 / i, 那么其不被替换的概率则为 1 - 1/i = (i-1)/i;在第i 此迭代后,该元素在蓄水池内的概率为 m / (i-1) * (i-1)/i = m / i. 归纳部分结束。
因此当循环结束时,每个元素进入蓄水池的概率为 m / n. 命题得证。
算法的实现
#include <bits/stdc++.h>
using namespace std;
// 蓄水池抽样算法
vector<int> ReservoirSampling(vector<int> v, int n, int k) {
vector<int> reservoirArray(k,0);
// 先将蓄水池填满
for (int i = 0; i < k; i++) {
reservoirArray[i] = i;
}
// 从k+1开始选,判断要不要放到蓄水池中
for (int i = k; i < n; ++i) {
int j = rand() % (i + 1);
// j∈[1,i],替换 reservoirArray_j
if (j < k) {
reservoirArray[j] = v[i];
}
}
return reservoirArray;
}
int main()
{
// 先构建测试用数组[0,1,2,3,4,5,6,7,8,9]
vector<int> v = {0,1,2,3,4,5,6,7,8,9};
srand((unsigned int)time(NULL));
const int RUN_COUNT = 10000;
int cnt[11] = {0};
// 运行10000次,统计每个数字出现的次数
for (int i = 1; i <= RUN_COUNT; ++i) {
vector<int> samples = ReservoirSampling(v, 10, 5);
// 统计每次,每个数字出现的次数
for (int j = 0; j < samples.size(); ++j) {
cnt[samples[j]]++;
}
}
cout << "last" << endl;
// 最后,看下每个数字选到的次数
for (int num = 0; num < 10; num++) {
cout << num << " : \t" << cnt[num] << endl;
}
return 0;
}
运行结果如下
算法的局限性
蓄水池算法的基本假设是总的样本数很多,不能放入内存,暗示了选择的样本数 m 是一个与 n 无关的常数。然而在实际的应用中,m 常常与 n 相关,比如我们想要随机选择1/3 的样本 (m = n / 3),这时候就需要别的算法或者分布式的算法。