摘要：輸出的結(jié)果如下上面輸出了每個數(shù)字被取樣到的次數(shù)，通過圖表可以清晰的看到分布情況可以看出蓄水池算法對于隨機抽樣還是非常適合的，每個元素的抽樣概率都相同。

現(xiàn)在有一組數(shù)，不知道這組數(shù)的總量有多少，請描述一種算法能夠在這組數(shù)據(jù)中隨機抽取k個數(shù)，使得每個數(shù)被取出來的概率相等。

如果這組數(shù)有n個，那么每個數(shù)字取到的概率就是k/n，但是這個問題的難點在于不知道這組數(shù)的總數(shù)，也就是不知道n，那么該怎么計算每個數(shù)取到的概率呢？

游泳池（蓄水池）大家都不陌生，有些游泳池中的水是活的，有入水管也有出水管，那么和泳池體積相當(dāng)?shù)乃鬟^之后，是不是泳池中所有的水都會被替換呢？當(dāng)然不是，有的水在泳池中可能會存留很久，有的可能剛進去就流走了。仿照這種現(xiàn)象，蓄水池抽樣算法誕生了，蓄水池算法的關(guān)鍵在于保證流入蓄水池的水和已經(jīng)在池中的水以相同的概率留存在蓄水池中。并且蓄水池算法可以在不預(yù)先知道總量的情況下，在時間復(fù)雜度O(N)的情況下，來解決這類采樣問題。

這一部分涉及公式，為了保證效果直接貼了圖過來。

接下來嘗試用Python實現(xiàn)一下蓄水池算法，由于蓄水池算法是在事先不知道總量的情況下抽樣的，所以定義一個方法來接收單個元素，并且把這個方法放在類中，以持有采樣后的數(shù)據(jù)。

import random


class ReservoirSample(object):

    def __init__(self, size):
        self._size = size
        self._counter = 0
        self._sample = []

    def feed(self, item):
        self._counter += 1
        # 第i個元素（i <= k），直接進入池中
        if len(self._sample) < self._size:
            self._sample.append(item)
            return self._sample
        # 第i個元素（i > k），以k / i的概率進入池中
        rand_int = random.randint(1, self._counter)
        if rand_int <= self._size:
            self._sample[rand_int - 1] = item
        return self._sample

接下來實現(xiàn)一個測試用例驗證實現(xiàn)的算法是否正確，既然是隨機抽樣，無法通過單詞測試來驗證是否正確，所以通過多次執(zhí)行的方式來驗證，比如從1-10里隨機取樣3個數(shù)，然后執(zhí)行10000次取樣，如果算法正確，最后結(jié)果中1-10被取樣的次數(shù)應(yīng)該是相同的，都是3000上下。

import unittest
from collections import Counter

from reservoir_sample import ReservoirSample


class TestMain(unittest.TestCase):

    def test_reservoir_sample(self):
        samples = []
        for i in range(10000):
            sample = []
            rs = ReservoirSample(3)
            for item in range(1, 11):
                sample = rs.feed(item)
            samples.extend(sample)
        r = Counter(samples)
        print(r)

if __name__ == "__main__":
    unittest.main()

輸出的結(jié)果如下

Counter({7: 3084, 6: 3042, 10: 3033, 3: 3020, 8: 3016, 5: 2997, 4: 2986, 2: 2972, 9: 2932, 1: 2918})

上面輸出了每個數(shù)字被取樣到的次數(shù)，通過圖表可以清晰的看到分布情況

可以看出蓄水池算法對于隨機抽樣還是非常適合的，每個元素的抽樣概率都相同。

上述的算法和測試代碼已經(jīng)放在Github，可以直接下載使用。