面试题80：海量数据等概论抽样（蓄水池问题）

题目：

从N个元素中随机抽取K个元素，N的个数不确定，要求保证每个数字被抽中的概率相等。

解读：

这种应用的场景一般是数据流的情况下，由于数据只能被读取一次，而且数据量很大，并不能全部保存，因此数据量N是无法在抽样开始时确定的；但又要保证概率相等。

解决：

解决方案就是蓄水池抽样。主要思想就是保持一个集合（这个集合最终的数字就是被抽中的数字）。依次遍历所有数据的时候以一定的概率替换掉这个蓄水池中的数字。

其伪代码为：

Init : a reservoir with the size： k   //初始化蓄水池为前K个数
        for    i= k+1 to N  
            M=random(1, i);
            if( M < k)
                 SWAP the Mth value and ith value
       end for

程序的开始就是把前K个元素都放到水库中，然后对之后的第i个元素，以k/i的概率替换掉这个水库中的某一个元素。

证明概率相等：

首先要明白，如果最终K个元素确定，则这K个元素出现的概率都是K/N。

下面来证明当读到第i个元素时，水库中每个元素出现的概率是K/i。

1）初始情况：出现在水库中的K个元素出现的概率都是1.

2）第一步：处理第K+1个元素的情况。分为两种情况：水库中元素都没有被替换；水库中某个元素被第K+1个元素替换掉。

对于情况2&#x