淳朴的大数据抽样方法

方法不是我原创的，只是学习了别人的方法，用自己的语言总结一下。

问题描述：

超大数据，随机等概率抽取m个样本，如何进行？

问题分析：

问题在于一开始并不知道数据规模，如果知道数据的数量n，自然可以以m/n的概率对每一个逐条读入的数据选择是否抽取。

解决方案：

逐条读入数据，

1. 1~m条数据，均存入待定数组(数组定长m)

2. 读到于第k条数据时

- 第k条数据选中的概率为： m/k

- 对于原来待定数组中的数据，随机选择一条，替换为新数据(第k条数据)

证明：

1. 前m条数据

被第K条数据替换的概率为： 1/m * m/k = 1/k = k-1/k, k = m+1, m+2, ... , n

所以最终被选中的概率为：

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

2. m + 1, m+2, ...n这些后续数据（和上面差不多，偷懒不写了）