蓄水池采样算法
问题描述分析
采样问题经常会被遇到，比如：
- 从 100000 份调查报告中抽取 1000 份进行统计。
- 从一本很厚的电话簿中抽取 1000 人进行姓氏统计。
- 从 Google 搜索 "Ken Thompson"，从中抽取 100 个结果查看哪些是今年的。
这些都是很基本的采用问题。
既然说到采样问题，最重要的就是做到公平，也就是保证每个元素被采样到的概率是相同的。所以可以想到要想实现这样的算法，就需要掷骰子，也就是随机数算法。（这里就不具体讨论随机数算法了，假定我们有了一套很成熟的随机数算法了）
对于第一个问题，还是比较简单，通过算法生成 \([0, 100000 - 1)\) 间的随机数 1000 个，并且保证不重复即可。再取出对应的元素即可。
但是对于第二和第三个问题，就有些不同了，我们不知道数据的整体规模有多大。可能有人会想到，我可以先对数据进行一次遍历，计算出数据的数量 \(N\)，然后再按照上述的方法进行采样即可。这当然可以，但是并不好，毕竟这可能需要花上很多时间。也可以尝试估算数据的规模，但是这样得到的采样数据分布可能并不平均。
算法过程
终于要讲到蓄水池采样算法（Reservoir Sampling）了。先说一下算法的过程：
假设数据序列的规模为 \(n\)，需要采样的数量的为 \(k\)。
首先构建一个可容纳 \(k\) 个元素的数组，将序列的前 \(k\) 个元素放入数组中。
然后从第 \(k+1\) 个元素开始，以 \(\frac{k}{n}\) 的概率来决定该元素是否被替换到数组中（数组中的元素被替换的概率是相同的）。 当遍历完所有元素之后，数组中剩下的元素即为所需采取的样本。
证明过程
对于第 \(i\) 个数（\(i \le k\)）。在 \(k\) 步之前，被选中的概率为 \(1\)。当走到第 \(k + 1\) 步时，被 \(k + 1\) 个元素替换的概率 = \(k + 1\) 个元素被选中的概率 * \(i\) 被选中替换的概率，即为 \(\frac{k}{k + 1} \times \frac{1}{k} = \frac{1}{k + 1}\)。则被保留的概率为 \(1 - \frac{1}{k + 1} = \frac{k}{k + 1}\)。依次类推，不被 \(k + 2\) 个元素替换的概率为 \(1 - \frac{k}{k + 2} \times \frac{1}{k} = \frac{k + 1}{k + 2}\)。则运行到第 \(n\) 步时，被保留的概率 = 被选中的概率 * 不被替换的概率，即：
\]
对于第 \(j\) 个数（\(j > k\)）。在第 \(j\) 步被选中的概率为 \(\frac{k}{j}\)。不被 \(j + 1\) 个元素替换的概率为 \(1 - \frac{k}{j + 1} \times \frac{1}{k} = \frac{j}{j + 1}\)。则运行到第 \(n\) 步时，被保留的概率 = 被选中的概率 * 不被替换的概率，即：
\]
所以对于其中每个元素，被保留的概率都为 \(\frac{k}{n}\).
代码示例
贴出测试用的示例代码（Java 实现）：
public class ReservoirSamplingTest {
private int[] pool; // 所有数据
private final int N = 100000; // 数据规模
private Random random = new Random();
@Before
public void setUp() throws Exception {
// 初始化
pool = new int[N];
for (int i = 0; i < N; i++) {
pool[i] = i;
}
}
private int[] sampling(int K) {
int[] result = new int[K];
for (int i = 0; i < K; i++) { // 前 K 个元素直接放入数组中
result[i] = pool[i];
}
for (int i = K; i < N; i++) { // K + 1 个元素开始进行概率采样
int r = random.nextInt(i + 1);
if (r < K) {
result[r] = pool[i];
}
}
return result;
}
@Test
public void test() throws Exception {
for (int i : sampling(100)) {
System.out.println(i);
}
}
}
结果就不贴出来了，毕竟每次运行结果都不一样。
总结
蓄水池算法适用于对一个不清楚规模的数据集进行采样。以前在某个地方看到过一个面试题，说是从一个字符流中进行采样，最后保留 10 个字符，而并不知道这个流什么时候结束，且须保证每个字符被采样到的几率相同。用的就是这个算法。
在高德纳的 TAOCP 中有对于这个算法的描述，可以说这是个很精巧的算法。在看到这个算法实现前，很难想到可以通过这样的一种方式进行采样。