此链接“http://had00b.blogspot.com/2013/07/random-subset-in-mapreduce.html”讨论了如何使用map reduce框架实现油藏采样。我觉得他们的解决方案很复杂，以下更简单的方法也可以。
问题： 给定非常大量的样本，生成一组大小为k的样本，使得每个样本在该集合中具有相同的概率。
建议的解决方案：
要求： 任何数量的k大小集的概率是k / n（其中n是样本的总数）
证明直觉：
由于映射操作将每个输入样本随机分配给桶号i（0 <= i <= k-1），因此每个桶的大小将为n / k。 现在每个数字只存在于一个桶中，假设桶i。在桶i的减少操作中它被拾取的概率是1 /（n / k）= k / n
对于我的解决方案，无论是否正确，我都会感激不尽。
答案 0 :(得分：3)
你的论点有一个小缺陷。您的算法可能不会返回大小为k的样本，因为可能会发生任何元素都没有映射到特定键。在极端情况下（即使机会很小），可能会发生所有输入元素只映射到一个键，在这种情况下，您的算法只返回一个元素。
“丢失”特定密钥的事件具有概率（（k-1）/ k）^ n =（1-1 / k）^ n近似（使用泰勒近似）e ^ { - n / k }。如果k远小于n，则这可以忽略不计，但如果k与n成比例，比如k = n / 2，那么这个不良事件实际上会以恒定的概率发生。