Algorithm 基于规则的子集生成

假设数据库中有5000个用户。用户行有性别列、出生地列和状态（已婚或未婚）列

如何生成满足以下条件的随机子集（比如100个用户）：

• 40%为男性，60%为女性
• 50%应在美国出生，20%应在英国出生，20%应在加拿大出生，10%应在澳大利亚出生
• 70%应该结婚，30%不应该

这些条件是独立的，即我们不能这样做：

• （0.4*0.5*0.7）*100=14名男性用户，出生于美国，已婚
• （0.4*0.5*0.3）*100=6名在美国出生且未结婚的男性用户

---

这一代有算法吗？

您可以尝试以下方法：

• 选择一个100的随机初始集
• 直到您获得正确的分配（或放弃）：
  • 选择一个不在集合中的随机记录，以及一个在集合中的随机记录
  • 如果在另一个记录中交换使您更接近所需的集合，请交换它们。否则，不要

我会使用距离期望分布的平方和作为决定是否交换的度量

---

这就是让集合保持随机性的原因。请记住，可能没有与您所追求的分布相匹配的子集。

细分需要精确还是近似？通常，如果你正在生成这样的样本，那么你正在进行一些统计研究，因此生成一个近似样本就足够了

以下是如何做到这一点：

拥有一个函数genRandomIndividual（）

每次生成一个个体时，使用随机函数以40%的概率选择性别-男性

再次使用随机函数选择出生地点（只需在间隔0-1内生成一个实数，如果它下降0-.5，则选择美国，如果为.5-.7，则选择&K，如果为.7-.9，则选择加拿大，否则选择澳大利亚）

使用随机函数选择已婚状态（再次在0-1中生成，如果为0-.7，则为已婚，否则为非已婚）

一旦有了一组特征，在数据库中搜索第一个满足这些特征的个体，将其添加到样本中，并将其标记为已添加到数据库中。继续这样做，直到你完成了你的样本量

---

可能没有满足这些特征的单独数据。然后，只需生成一个新的随机个体即可。由于各代是独立的，并根据所需的概率生成特征，因此最终您将获得一个正确大小的样本量，并根据指定的概率随机生成个体

需要注意的是，您可能无法找到满足这些条件的子集。举个例子，假设您的数据库只包含美国男性，而只包含澳大利亚女性。显然，您无法生成任何满足分布约束的子集

（完全重写我的文章（实际上，写了一篇新文章，删除了旧文章），因为我想到了一种更简单、更有效的方法来做同样的事情。）

我假设你真的想要精确的比例，而不仅仅是满足平均水平。这是一种非常简单的实现方法，但根据您的数据，可能需要一段时间才能运行

首先，整理原始数据，以便轻松访问每种类型的组合，也就是说，将已婚美国男性分为一组，未婚美国男性分为另一组，依此类推。然后，假设您有p个条件，并且您想要选择k个元素，则创建大小为k的p个数组；一个数组将表示一个条件。使每个数组的元素按所需的比例成为该条件的类型。因此，在您的示例中，性别数组将有40名男性和60名女性

现在，独立地洗牌每个p数组（实际上，如果您愿意，可以让一个数组不被洗牌）。然后，对于每个索引i，将拾取的元素的类型作为索引i处的混洗p数组的组合，并从原始组中的其余类型中随机拾取一个这样的类型，移除拾取的元素。如果没有该类型的元素，则算法失败，因此重新排列数组并重新开始拾取元素

---

要使用它，首先需要确保条件是可满足的，否则它将无限循环。老实说，我看不到一种简单的方法来验证条件是否可满足，但是如果原始数据中的元素数量比k大，并且它们的分布不是太偏斜，那么应该有解决方案。此外，如果只有几种方法可以满足条件，那么可能需要很长时间才能找到一种方法；虽然该方法的终止概率为1，但您无法确定运行时间的上限。

算法可能是一个太强的词，因为对我来说，这意味着形式主义和公开性，但有一种方法可以选择精确比例的子集（假设你的百分比产生了样本宇宙中的全部主题），它比其他建议的解决方案简单得多。我已经构建了一个并测试了它

顺便说一句，我很抱歉在这里反应迟钝，但我的时间最近很紧张。我很快就写了一个硬编码的解决方案，从那以后我一直在将它重构成一个像样的通用实现。因为我一直很忙，这还没有完成，但我不想再拖延回答了

方法：

基本上，您将分别考虑每一行，并根据您的标准是否为您选择每个列值提供选择的空间。 为了做到这一点，你会考虑每一个列规则（例如，40%名男性，60%名女性）作为一个索引。

- Randomly select a row.  
- Mark the row examined.
- For each column constraint:
    * Get the value for the relevant column from the row
    * Test for selectability:
        If there's a value target for the value, 
        and if we haven't already selected our target number of incidences of this value, 
        then the row is selectable with respect to this column
    * Else: the row fails.
- If the row didn't fail, select it: add it to the subset