随机选取算法 (有权重的记录中选取)

三类随机问题

1.  已有n条记录，从中选取m条记录，选取出来的记录前后顺序不管。

     实现思路：按行遍历所有记录，约隔n/m条取一个数据即可

2.  在1类情况下，还要求选取出来的m条记录是随机排序的

     实现思路： 给n条记录，分别增加一列标记，值为随机选取的1至n之间的不重复数据，

     实现参考博文 将文件内容按行随机排列

3.  区别于1,2类问题， 如果记录是有权重的，如何结合权重去随机选取。 比如A的权重为10， B的权重股为5， C的权重为1， 则随机选取4个时可能应该出现AABB。

这第三类问题是本文重点，下面开始解决。

实现思路： 以 A:10， B:5， C:1 三条记录上随机选取4条为例，（是否以权重排序这个无所谓）

    对于

    A10

    B5

    C1

首先，将第n行的数值赋为第n行加第n-1行的，递归执行，如下：

    A10

    B15

    C16

然后每次从[1,16]随机选取一个数，如果落在[1,10]之间，则选取A，如果落在(10,15]之间则选B，如果落在(16,16]之间则选取C， 图示如下，谁占的区间大（权重高），被选上的概率更大。

 知道了思路，实现起来就比较方便了， 需要考虑的一点可能就是我随即选了一个数值，比如12，我怎么跟B对应上？ 其实也比较简单，用二分法查找即可。

下面附上实现代码：

python 版本(myrandom.py)

#!/usr/bin/python 

import string
import sys
import os
import random

#[begin, end)
def get_pos(wlist, begin, end, rnum):
        if begin >= end:
                return begin;

        mid = (begin+end)/2;
        if wlist[mid] >= rnum:
                return get_pos(wlist, begin, mid, rnum);
        else:
                return get_pos(wlist, mid+1, end, rnum);
 
if __name__=='__main__':
        if len(sys.argv) < 3:
                print "help"
                exit(-1);

        orifile = sys.argv[1]
        samplenum = (int)(sys.argv[2])

        #read input file
        allweight = 0;
        ruler_weights = []
        ruler_keys    = []
        for line in open(orifile, "r"):
                lineinfo = line.rstrip().split('\t')

                key = lineinfo[0]
                weight = 1
                if len(lineinfo) >= 2:
                        weight = (int)(lineinfo[1]);

                allweight += weight;

                ruler_weights.append(allweight); #idx, weight
                ruler_keys.append(key);  #idx, key
                pass

        #begin random
        allnum = len(ruler_weights);
        for i in range(1,samplenum):
                rnum = random.randint(1,allweight); #[1,allweight]
                pos  = get_pos(ruler_weights, 0, allnum, rnum); #[0,allnum)
                key = ruler_keys[pos]
                print "%s\t%d\t%d"%(key, ruler_weights[pos], rnum);
                pass;

　　

c版本

#include <string>
#include <cstdlib>
#include <vector>

using namespace std;

const int LEN = 4098; 
const int MAX_QUERY_LEN = 2048;

//返回属于[p,q)的随机数
int rand(int p, int q)
{
     int size = q-p+1;
     return  p+ rand()%size; 
}

//删除行尾换行符
int chomp(char *str)
{
    int len = strlen(str);
    while(len > 0 && (str[len - 1] == '\n' || str[len - 1] == '\r'))
    {
        str[len - 1] = 0;
        len--;
    }
    return len;
}

//获取一个随机数会落在哪个区间
int get_pos(vector<int> vec_freq, int begin, int end, int rand_num)
{
    if(begin >= end)
    {
        return begin;
    }
    
    int mid = (begin + end)/2;
    if( vec_freq[mid] >= rand_num )
    {
        return get_pos(vec_freq, begin, mid, rand_num );
    }
    else
    {
        return get_pos(vec_freq, mid+1, end, rand_num );
    }
}

//主函数
int main(int argc, char *argv[])
{
    //输入记录文件，两列，第一列为记录，第二列为热度值
    FILE* infile = fopen(argv[1], "r");
    if( infile == NULL )
    {
        printf("Cann't open file %s.", argv[1]);
        return -1;
    }

    FILE* outfile = fopen(argv[2], "w");
    if( outfile == NULL)
    {
        printf("Cann't open file %s to write.", argv[2]);
        return -1;
    }

    //要获取的随机记录个数
    int num = atoi(argv[3]);
    if( num <= 0)
    {
        printf("num [%s] <= 0.");
        return -1;
    }

    //这两个数组用下标关联
    vector<string> vec_query;
    vector<int> vec_freq;
    vec_query.clear();
    vec_freq.clear();
    int freq = 0;
    char line[MAX_QUERY_LEN]={0};
    
        while( !feof(infile) )
        {
            if( !fgets(line, sizeof(line),infile))
            {
                break;
            }
        line[sizeof(line)-1] = 0;
            chomp(line);

        char* p_tab = strchr(line, '\t');
        if( NULL == p_tab )
        {
            printf("line format error. [%s]\n");
            continue;
        }
        *p_tab = 0;

        string query(line);
        freq += atoi(p_tab+1);
        
        vec_query.push_back(query);
        vec_freq.push_back(freq);

        //printf("%s\t%d\n", line, freq);
        }

    for(int i=0; i < num; ++i)
    {
        int rand_num = rand(1, freq+1);
        int pos = get_pos(vec_freq, 0, vec_freq.size(), rand_num);
        fprintf(outfile, "%s\t%d\t%d\n", vec_query[pos].c_str(), vec_freq[pos], rand_num);
    }
    
    fclose(infile);
    fclose(outfile);    

    return 0;
}