等概率抽样

1、按比例抽样

比如按照比例P=0.7抽样：
生成0，1间的随机浮点数，通过与P比较判断抽样，random>P,抽出样本，否则，不抽
如果P值是一个复杂的小数，比如P=0.932930100011123213，编程语言支持小数精度无法进行准确比较时，可以采用概率模拟。
随机0-100000000000000000的整数，与932930100011123213进行比较。

2、按数量等概率抽样

（1）已知总数n，抽样数量m
按照概率m/n对每个样本进行抽样
（2）未知总数n，抽样数量m（即未知总数的流式数据等概率抽样m）
抽样目标：对于任意n，每个样本被抽中的概率相等，即被抽中的概率为m/n，未被抽中的概率为n-m、n
分析：可以把这个过程看作一个动态变化的过程，一开始只有m个样本，样本逐次加一，逐渐增长到n个。在这个过程里，每个样本被抽出的概率都是相等的。
抽样策略：
用一个数c来记录目前的样本数量。
start：n=m
sample1 sample2 … samplem，共m个样本，从中抽样m个，每个样本到的概率为1

then n=m+1时：
sample1 sample2 … samplem sample(m+1)

在start步骤中，我们抽出了sample1-m，等到样本数据流中出现sample(m+1)时，我们考虑这时n=m+1，我们只要证明每个样本（当然包括sample(m+1)）被抽中的概率为m/m+1，按照我们的策略，我们以概率m/m+1将sample(m+1)替换sample1-m中的一个，sample1-m中的每个样本被替换的概率都是1/m，那么在这种情况下，sample（m+1）
被抽中的概率为m/m+1
sample1-m不被抽中的概率为（即被sample(m+1)换掉的概率）：
1/m+1
所以sample1-m被抽中的概率也是m/m+1

final：

当样本一个接一个出现，n>>m时，
对于任意一个samplek （k>m）
以m/k的概率将被抽中的m个样本中的一个替换samplek

那么samplek最后被选定为样本的概率为：

m/k * (k/k+1) ( k+1/k+2) … * (n-1/n) = m/n

解释一个这个式子：
samplek想要最后被抽出，
首先要在他出现的时候以m/k替换掉已经被抽出的m个中的一个，
然后，不会被后面的每一个替换掉，
他被sample(k+1)替换的概率为m/(k+1) * 1/m = 1/(k+1)
不被替换的概率为k/k+1
这些事件相互独立，最终概率为这些独立事件的乘积，m/n，所以无论n取值多少，以这种方式取得样本是等概率取样的。

这也可以被描述为：在一个不知道数据量大小的数据流中进行等概率抽样。
方式：
（1）抽取前m备选，从第m+1个开始，按上述策略取样
（2）用一个数字c记录当前已抽样样本数，迭代此过程

def sample_unknown_n(m):
import sys
import random
c = 1
sample = []
for line in sys.stdin:
num = float(line.strip())
if c<= m:
sample.append(num)
else:
if random.random < float(m)/c:
index = random.randint(0,m-1)
sample[index] = num
c += 1
return sample