蓄水池抽样（原理&实现）

前言：

　　蓄水池抽样：从N个元素中随机的等概率的抽取k个元素，其中N无法确定。

适用场景：

　　模式识别等概率抽样，抽样查看渐增的log日志（无法先保存整个数据流然后再从中选取，而是期望有一种将数据流遍历一遍就得到所选取的元素，并且保证得到的元素是随机的算法）。

伪代码：

init : a reservoir with the size： k  
        for  i= k+1 to N  
            M=random(1, i);  
            if( M < k)  
                 SWAP the Mth value and ith value  
        end for 

　　解释：先选中第1到k个元素，作为被选中的元素。然后依次对第k+1至第N个元素做如下操作：每个元素都有k/x的概率被选中，然后等概率的（1/k）替换掉被选中的元素。其中x是元素的序号

原理：

　　蓄水池抽样算法：

1. 先选取个元素中的前个元素，保存在集合中；
2. 从第个元素开始，每次先以概率选择是否让第个元素留下。若第个元素存活，则从中随机选择一个元素并用该元素替换它；否则直接淘汰该元素；
3. 重复1和2，直到结束。最后集合中剩下的就是保证随机抽取的个元素。

　　蓄水池抽样算法正确性证明：
　　　　为了证明该算法的正确性，我们要保证算法结束后，原个元素每一个最后存活下来的概率都是（因为从个元素中随机抽取个元素，每个元素被抽中的概率都是）。形式化地，我们要证明的结论是：在算法的第i(0<=i<=n-k)轮，前k+i个元素每一个存活下来的概率是k/k+i 。

数学归纳证明：

当时，结论显然成立。

当时，根据算法，元素存活的概率为。而对于元素，有两种情况会使其存活下来：要么元素直接被淘汰；要么元素留下，但是没有替换掉元素。由归纳假设，时结论成立，故元素存活的概率为，得证

  举例描述辅助数学证明：

每次都是以 k/i 的概率来选择，例: k=1000的话， 从1001开始作选择，1001被选中的概率是1000/1001，1002被选中的概率是1000/1002，与直觉是相符的。

假设当前是i+1, 按照我们的规定，i+1这个元素被选中的概率是k/i+1，也即第 i+1 这个元素在蓄水池中出现的概率是k/i+1，

此时考虑前i个元素，如果前i个元素出现在蓄水池中的概率都是k/i+1的话，说明我们的算法是没有问题的。

对这个问题可以用归纳法来证明：

　　1. k < i <=N 1.当i=k+1的时候，蓄水池的容量为k，第k+1个元素被选择的概率明显为k/(k+1), 此时前k个元素出现在蓄水池的概率为 k/(k+1), 很明显结论成立。

       2.假设当 j=i 的时候结论成立，此时以 k/i 的概率来选择第i个元素，前i-1个元素出现在蓄水池的概率都为k/i。

       3.证明当j=i+1的情况： 即需要证明当以 k/i+1 的概率来选择第i+1个元素的时候，此时任一前i个元素出现在蓄水池的概率都为k/(i+1). 前i个元素出现在蓄水池的概率有2

部分组成, ①在第i+1次选择前得出现在蓄水池中，②得保证第i+1次选择的时候不被替换掉 ①.由2知道在第i+1次选择前，任一前i个元素出现在蓄水池的概率都为k/i ②.考虑

被替换的概率： 首先要被替换得第 i+1 个元素被选中(不然不用替换了)概率为 k/i+1，其次是因为随机替换的池子中k个元素中任意一个，所以不幸被替换的概率是 1/k，故

前i个元素(池中元素)中任一被替换的概率 = k/(i+1) * 1/k = 1/i+1 则(池中元素中)没有被替换的概率为: 1 - 1/(i+1) = i/i+1 综合① ②,通过乘法规则 得到前i个元素出现在蓄水池

的概率为 k/i * i/(i+1) = k/i+1 故证明成立！！！

 

实现代码和伪代码类似，就不赘述了