编程珠玑——取样总结

取样问题

问题描述：程序的输入包含两个整数m和n，其中m小于n。输出是0~n-1范围内的m个随机整数，要求：每个数选择出现的概率相等，且按序输出。

问题中最重要的要求是概率相同。假设m=2,n=5,那么每个数都应该以2/5的概率被选中，直观的会想到用这样的代码实现：

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

然而这样做是不对的，编程珠玑12章对这个问题进行了详细的介绍。本文于是总结了编程珠玑中等概率取样问题的几种解决方法，以便以后快速回忆。

方法1

首先来分析上面那行代码的问题。在我们对数字0-4之间做选择时，首先要对0做出选择，之后就不能用同样的概率来选择数字1；因为若是已经选择了数字0，选1的概率应为1/4，没选0，选1的概率为2/4。在这样的选择方案下才能保证数字1也是2/5被选中的概率：
$P(1) = 　(2/5 * 1/4) + (3/5 * 2/4) = 2/5$

可以看出，我们需要维持一个变量select来表示还需要选取数的数目，在remaining中数中选出select个的数，我们就以select/remaining 的概率选取下一个数。实现代码如下：

void genknuth(int m,int n)
{
    for（int i=0；i<n ;i++）
        if(rand()%(n-i)<m){
          cout<<i<<"\n";
          m--;
        }
} 

knuth的《计算机编程艺术》的第二卷也有类似的代码。

方法2

上述方法的运行时间正比于N，若是m远小于n的话，或许用一种时间复杂都跟m相关的算法也还不错。

一种方法是在一个初始为空的集合里面插入随机数，直到个数足够。每次插入一个数时判断是否已经在集合里面，不在的话插入；在的话继续返回下一个随机数。这样也能保证每个数被插入到集合中的概率是一样的，都为m/n。

编程珠玑中用了set数据结构，其不存储重复的元素，同时输出也能保证相对的顺序。代码如下：

void gensets(int m,int n)
{
    set<int> s;
    while(s.size()<m)
       s.insert(bigrand()%n);
    set<int>::iterator i;
    for(i= s.begin(); i!=s.end();i++)
       cout<<*i<<"\n";   
} 

每次插入操作耗时O(logm)，那么总时间复杂都为O(mlogm).

方法3

书中还讲到了一种方法是把包含整数 0至n-1的数组顺序打乱，然后把m个元素排序输出。如下：

for i=[0,n)
   swap(i,randint(i,n-i))

进一步考虑，我们可以只把数组中的前m个数的打乱，然后排序，这样也是需要O(mlgm)的时间复杂度，但是同时需要O(N)的空间复杂度（用来保存N个数）。

RobertFloyd方法

方法2中生成的很多随机数都要丢掉，因为他们之前已经存在于集合中了，当m接近于n的时候尤为明显。 当然我们可以改变想法，先生成n-m个随机数，然后再输出不再样本中整数；但是m若是逼近与n/2，仍然不可避免要丢掉大量的随机数。

珠玑习题12.9讲述了一个很巧妙的算法来解决上述的问题，由RobertFloyd提出。

实现代码如下：

void genfloyd(int m,int n)
{
   set<int> s;
   set<int>::iterator i;
   for(int j=n-m; j<n;j++)
   {
      int t= bigrand()%(j+1);
      if(s.find() == s.end())
          s.insert(t);// t not in S
      else
          s.insert(j);// t in S while j not in S  
   }
} 

这个算法保证了只生成m次随机数，每次都可以讲一个新的随机数加入到集合中。