单次遍历,带权随机选取问题(二)
来源:互联网 发布:私营企业调查数据库 编辑:程序博客网 时间:2024/05/23 19:32
还是同样的问题:有一组数量未知的数据,每个元素有非负权重。要求只遍历一次,随机选取其中的一个元素,任何一个元素被选到的概率与其权重成正比。
在前一篇文章中介绍了概率分布的理论值,并用比较简洁高效的函数实现了选取一个元素的方法。现在来看一个神奇的算法,以及相关的证明和实现。
算法很简单:对于任意的i(1 <= i <= n),按照如下方法给第i个元素分配一个键值key(其中ri是一个0到1之间等概率分布的随机数):
之后,如果要随机选取一个元素,就去key最大的那个;如果要选取m个元素,就取key最大的m个。
真不知道是怎么想出来的这样的方法,不过还是先来关注一下证明的过程。
m=1证明
对于m=1的证明过程会介绍得详细些,主要是怕我自己过几天就忘记了。概率达人可以直接秒杀之。
m=1时,第i个元素被选取到的概率,就等于它所对应的键值key(i)是最大值的概率,即:
把key(i)的计算公式代入,但要注意公式中的ri并不是一个固定的数值,而是随机变量。不考虑计算机数值表示的精度,可以假设ri是一个在0到1之间的连续均匀概率分布,因此如果要计算key(i)是最大的概率,必须要对ri所有的可能值进行概率累加,也就是积分。于是上面的概率表达式就被写成:
再看式子中的
对于给定的j,
因此,上面的概率算式就变成(其中w就是前一篇文章中提到的所有元素的权重之和):
最后的结果跟前一篇文章中的理论值相等,证明完毕。
m>=1证明
当m取任意值时,概率公式变得非常复杂,在前一篇文章中使用了第i个元素不被选到的概率来简化表达式。现在的证明也从同样的角度进行。
第i个元素不被选到的概率,显然等于这n个元素中,至少存在m个元素的键值大于key(i),与之前的讨论一样,不妨设这m个元素的下标(按键值从大到小)依次为j1, j2, ..., jm,
为了能够进一步求解,必须把这个连等式拆开。这里要非常小心,各个jk并不是相互独立的,比如当j1改变的时候,j2的取值范围也会随之变化,依此类推。拆开之后的式子如下:
看起来还是相当恐怖的,一层套一层。注意等式右边已经没有显式地关于i的信息了,这些信息被隐含在jk和tk的取值范围中,切记。对每个jk,把key(jk)的式子代进去,转换成积分;同时把
其中的积分式在之前已经见过了,其运算过程如下(注意tk的取值范围):
最终,概率计算式子变成:
与前一篇文章中的理论值完全一样。
呼,可怕的推导过程。
程序实现
虽然证明过程异常恐怖,但实现起来却很简单。实际运算中,只要维持一个大小为m的最小堆(没错,是最小堆)来保存当前已知的最大的m个键值,每拿到一个新的元素,算出对应的键值,如果它比堆中的最小值大,就可以放入堆中替换掉最小值。Python实现函数如下:
from random import Randomfrom heapq import *def WeightedRandomSample(m=1, rand=None): assert m > 0, 'invalid m' selection = [] heap = [] if rand is None: rand = Random() while True: # Outputs the current selection and gets next item (item, weight) = yield selection if weight <= 0: continue key = rand.random() ** (1.0 / weight) if len(selection) < m: heap.append((key, len(selection))) selection.append(item) if len(selection) == m: heapify(heap) else: if key > heap[0][0]: index = heap[0][1] heapreplace(heap, (key, index)) selection[index] = item
每次拿到一个新的元素,通过key = rand.random() ** (1.0 / weight)产生一个与其权重有关的随机键值key。当元素个数小于m时,直接将新的元素放入堆空间中(但并不建堆),这样只用O(1)时间;当遇到第m个元素后,堆空间放满了,这时候进行建堆操作(heapify(heap)),需要O(m)时间;之后每拿到一个新的元素,用O(1)时间从堆顶拿出最小值与新元素的键值比较,如果后者更大就用后者替换掉堆顶元素,对堆进行必要的操作(O(log m)时间)以保持其结构(heapreplace(heap, (key, index)))。
关于Python中的堆可以参考:http://docs.python.org/library/heapq.html。
总体来看,整段程序用时O(n * log m),占用O(m)辅助空间。这样的处理比较适用于m << n的情况。当m与n接近时,可以用n个辅助空间存储所有元素的键值,当遍历结束后用O(n)时间对这n个元素执行快速选择算法,选出m个最大的元素即可,耗时O(n),辅助空间O(n)。
用同样一组具有等差分布权重的元素调用WeightedRandomSample十万次,得到如下的概率分布,与理论分布非常接近。
- 单次遍历,带权随机选取问题(二)
- 单次遍历,带权随机选取问题(一)
- 单次遍历,带权随机选取问题(一)
- 单次遍历,带权随机选取问题(一)
- 单次遍历,带权随机选取问题
- 单次遍历,等概率随机选取问题
- 单次遍历,等概率随机选取问题
- 随机带权选取文件中一行
- 一道海量日志的随机选取问题
- 海量数据等概率随机选取问题
- 逻辑回归 随机梯度下降 批梯度下降 二分类问题 不带正则项 java
- MySQL随机选取数据
- 选取随机冰淇凌例子
- 随机选取字符
- 权重随机选取器
- 随机选取幸运观众
- js 随机选取颜色
- 121. 单次购买股票问题
- Android面试题及答案6
- GCD
- leetcode17 Letter Combinations of a Phone Number
- 关于C#接口作用的理解
- 加快进度!!!
- 单次遍历,带权随机选取问题(二)
- 1.4 Palindrome Permutation
- c/c++里的 堆区 栈区 静态区 文字常量区 程序代码区
- 鱿鱼之战
- Android面试题及答案7
- Android文档——进程优先级与线程
- Fail to create the java Virtual Machine
- Java-HttpServletResponse-HttpServletResponseWrapper
- maven卸载强制性依赖