取样问题-获取随机样本

需求：在n份的调查中随机获取m份样本(m<=n)，设计程序完成。并且m个样本中没有重复。

第一种解决方案：

根据概率论的知识：我们假设(n=5，m=2)，我们选择数字0的概率为：2/5。可以用下面语句实现：

if((rand() % 5) < 2)

当我们在 选择0的概率下选择1的概率为1/4，在没有 选择0的概率下选择1的概率为2/4，可以分别通过下面语句实现。

//选择0 那么 m--,同时n--
if((rand() % (n-1) < m-1)
//没有选择0 只需要n--
if((rand() % n < m)

所以，我们只需要通过遍历样本的n元素，然后分别判断概率即可获得，m个随机数。实现代码如下：

#include <iostream>
#include <cstdlib>
#include <ctime>

using namespace std;

int main()
{
   srand((unsigned)time(NULL));
   int m = 5;
   int n = 20;

   for(int i=0; i<n; i++)
   {
        if(rand()%(n-i) < m)
        {
            cout<<i<<endl;
            m--;
        }
   }
    return 0;
}

程序输出如下：

分析：该算法需要遍历整个集合的n个样本，时间复杂度为O(n)，空间复杂度为O(m)。

第二种解决方案：

可以使用C++模板库中的set集合，来实现无重复元素的插入，思路比较清晰，实现如下：

#include <iostream>
#include <cstdlib>
#include <ctime>
#include <set>

using namespace std;

int main()
{
   srand((unsigned)time(NULL));
   int m = 5;
   int n = 20;

   set<int> S;
   while(S.size() < m)
        S.insert(rand() % n);
   
   set<int>::iterator it;
   for(it=S.begin(); it!=S.end(); ++it)
        cout<<*it<<" ";

   cout<<endl;
    return 0;
}

程序运行结果：

分析：该算法使用STL的关联容器set集合，而set使用红黑树实现的，红黑树又能保证在最坏的情况下每次插入新元素只需要 O(logm) 的时间，而遍历集合需要 O(m) ，所以需要 O(m log m) 的时间复杂度，但是所需要数据结构的开销比较大。

第三种解决方案：

思路：因为需要的是m(m<=n)个元素，所以只需要将前m个元素的顺序打乱（通过产生一个随机数，交换他俩的位置来实现），然后排序输出，前m个元素的内容就可以。

#include <iostream>
#include <cstdlib>
#include <ctime>
#include <set>
#include <algorithm>

using namespace std;

const int m = 5;
const int n = 20;

int main()
{
   srand((unsigned)time(NULL));
  
   int *x = new int[n];
   for(int i=0; i<n; ++i)//初始化n个元素值
        x[i] = i;

    int ran;
    int tmp;
    for(int i=0; i<m; ++i)
    {
         ran = i + rand()%(n-1-i);//产生一个随机数[i, n-1)，包括它本身。
         tmp = x[i];
         x[i] = x[ran];
         x[ran] = tmp;
    }

    sort(x, x+m);

    for(int i=0; i<m; i++)
        cout<<x[i]<<" ";
    cout<<endl;


    return 0;
}

程序输出：3 8 12 14 17  [Finished in 0.1s]

分析：初始化n个元素需要O(n)的时间及空间，以及O(m log m)的排序时间，所以的效率不如第一种方法。

三种方法的总结：

第一种需要遍历整个n所以适合当m较大时，即（m>n/2)

第二种方案的复杂度跟m关系很大，所以适合当m较小的时候。

第三种方案：两种都比较适合，比如说我们需要n为100万时，m为n-10时，我们只需要生成10个数，然后把剩下的数字排序输出就可以。

参考：《编程珠玑》第十二章 取样问题。

开始研究boost。++