我最近被要求实现一个 sampleStream() 方法，该方法将以相等的概率选择每个元素，但不使用 random()。我以为面试官正在寻找水库采样，但当我偶然发现时，他补充说这是一种称为“stratified sampling”的方法。诚然，我可能对此感到厌烦，因为有一种称为分层抽样的统计方法，我试图思考如何使用它从流中随机抽取元素。他指定的输入是要采样的项目数，以及我应该采样的速率（大约 1000/100,000）。
无论如何，我仍然坚持这个问题，即使我已经因为没有正确回答而没有得到这份工作。谷歌搜索在这里让我失望了。谁能帮我理解一下？
【问题讨论】：
实现分层抽样的一种方法是按用于分层的键对列表进行排序，然后进行 1 in n 抽样。
从技术上讲，如果键是类别，则不需要排序。在这种（典型）情况下，可以使用散列方法。这个想法仍然是一样的：在“有序”列表中采样 1 次。
也许这就是面试官所指的。
编辑：
您可以在流上实现分层采样，您实际上是在读取流并为每组相似的键值进行“桶”计数。当存储桶具有任意值时，您将输出记录。当存储桶达到某个值（基于整体频率）时，您将重置计数器并重复（或使用模运算）。
但是，获取每条记录的概率并不相同。为此，我确实认为您需要某种随机化。一种接近的方法是将每个组的记录存储在一个桶中，然后在桶满时选择一个随机记录。您可以通过在某个其他值（例如插入时间）上使用哈希键，然后选择最小或最大哈希键值来模拟随机性。 （而且，您可以通过只存储一条记录来提高效率。）
【讨论】：