我最近被要求实现一个sampleStream（）方法，该方法将以相同的概率选择每个元素，但不使用random（）。我认为采访者正在寻找水库采样，但当我偶然发现它时，他补充说这是一种叫做“stratified sampling”的方法。不可否认，我可能已被抛弃了，因为有一种称为分层抽样的统计方法，我试图想出如何使用它来从流中抽样元素而不是随机的。他指定的输入是要采样的项目数，以及我应该采样的速率（类似于1000 / 100,000）。
无论如何，我仍然坚持这个问题，即使我已经没有得到正确回答它的工作。谷歌搜索在这里失败了。任何人都可以帮我理解吗？
答案 0 :(得分：2)
实现分层抽样的一种方法是按照用于分层的密钥对列表进行排序，然后进行1次n次抽样。
从技术上讲，如果密钥是类别，则排序是不必要的。在这种（典型的）情况下，可以使用散列方法。这个想法仍然是相同的：在＆＃34; n＆＃34;列表。
也许这就是采访者所指的。
编辑：
你可以在流上实现分层抽样，你基本上是在阅读流并做一个＆＃34;桶＆＃34;计算每组相似的键值。当存储桶具有某个任意值时，您将输出该记录。当桶达到某个值（基于整体频率）时，您将重置计数器并重复（或使用模运算）。
然而，这并不具有获得每条记录的相同概率。为此，我确实认为你需要某种随机化。接近的方法是将每个组的记录存储在存储桶中，然后在存储桶已满时选择随机记录。您可以通过在某个其他值（例如插入时间）上使用散列键来模拟随机性，然后选择最小或最大散列键值。 （而且，只需存储一条记录，就可以提高效率。）