问题描述
假定有数据个数未知的数据流,要求随机其中的选择 k k k个数据,且保证每个数据选中的概率相等。
方案
先将前
k
k
k个数据取出来放入结果集中,然后从第
k
+
1
k+1
k+1个数据到来时开始替换,假设现在为数据流中的第
i
i
i个数据,以
k
i
\frac{k}{i}
ik的概率替换掉蓄水池中的某个数据可满足要求。
证明
不失一般性,我们假设数据流共有n个数据。
- 当 i < = k i<=k i<=k时,所有数据直接保留,所以第 i i i个数据进入蓄水池的概率为1。
- 当 i = k + 1 i=k+1 i=k+1时,需要执行替换操作,对于在蓄水池中的 k k k个数据,其中一个被替换的概率=“选择蓄水池中数据的概率” × \times × “从蓄水池中选择一个数据替换的概率”,即: k k + 1 × 1 k = 1 k + 1 \frac{k}{k+1}\times\frac{1}{k}=\frac{1}{k+1} k+1k×k1=k+11,那么蓄水池中的某个数据保留下来的概率为 1 − 1 k + 1 = k k + 1 1-\frac{1}{k+1}=\frac{k}{k+1} 1−k+11=k+1k。
- 当 i = n i=n i=n时,其中某一个数据被选中且保留的概率,即在前 k k k个数据、第 k + 1 k+1 k+1个数据、 k + 2 k+2 k+2个数据…一直到第 n n n个数据到来时都被保留下来的概率:
p
=
1
×
k
k
+
1
×
k
+
1
k
+
2
×
.
.
.
×
n
−
1
n
=
k
n
p=1\times \frac{k}{k+1} \times \frac{k+1}{k+2} \times...\times \frac{n-1}{n}=\frac{k}{n}
p=1×k+1k×k+2k+1×...×nn−1=nk
符合题意。
算法实现
根据以上描述,蓄水池采样算法实现如下:
# coding:utf-8
import random
def sampling(k, n, reservoir):
"""采样算法"""
for i in range(k, n):
idx = random.randint(0,i)
# 选择替换
if idx < k:
reservoir[idx] = i
def test():
"""单元测试"""
# 蓄水池可以存下的数据个数
k = 10
# 数据流的数据个数
n = 100000
reservoir = [i for i in range(min(k,n))]
sampling(k, n, reservoir)
print(reservoir)
if __name__ == '__main__':
test()
为了验证方法的正确性,我们假设 k = 1 k=1 k=1且 n = 10 n=10 n=10,即:共有10个数,每次随机选择1个数,并重复100000次采样。代码稍作修改如下:
# coding:utf-8
import random
def sampling(k, n):
"""采样算法"""
# 初始化,第1个数据接进入蓄水池
ret_idx = 0
# 从第2个数据(下标为1)开始,需要执看是否替换
for i in range(k, n):
idx = random.randint(0, i)
# 选择替换
if idx < k:
ret_idx = i
return ret_idx
def test():
"""单元测试"""
# 蓄水池可以存下的数据个数
k = 1
# 数据流的数据个数
n = 10
cnt_dict = {i: 0 for i in range(n)}
# 重复采样10万次,每次从0-9中随机选取一个数
for _ in range(100000):
ret_idx = sampling(k, n)
cnt_dict[ret_idx] += 1
for k, v in cnt_dict.items():
print("{}:{}".format(k,v))
if __name__ == '__main__':
test()
输出:
0:10029
1:9840
2:9946
3:10002
4:10119
5:9843
6:10004
7:10197
8:10001
9:10019
可以看到,每个数的采样的次数均在1万左右,符合预期。
参考资料:
- https://blog.csdn.net/bitcarmanlee/article/details/52719202
- https://www.jianshu.com/p/7a9ea6ece2af