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

A 10

B 5

C 1

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：

A 10

B 15

C 16

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：

[cpp] view
plaincopy

#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;

}