Random 在聚合数据集上采样

输入是一个数据集，其中每一行都包含一个事件，例如单击。成员ID是唯一的ID。 样本数据： M1100 M2100 M3,50 M4,50 我们的目标是对1%的点击进行抽样，其中总点击量是通过对所有成员ID中的所有点击进行汇总得到的。 如果我希望在样本数据集上采样1%，我希望应用一种技术，随机采样点击次数并生成1%或3次点击，类似于： M1，1 M2，1 M4，1 或者其他一些组合，其中成员之间的点击总数为1%

---

一种基本方法是分解输入中的所有条目并将其作为数据，然后从中抽取1%的样本。如果有数百万会员点击次数达到100次，这将非常缓慢/低效。在不需要数据爆炸的情况下寻找更好的解决方案

显然，要做的事情是从用户中取样，每个用户的概率与他们的点击次数成正比，然后为给定用户均匀随机地选择一次点击。在您给出的示例中，这意味着选择概率为100/300、100/300、50/300和50/300的用户，然后从给定用户中选择单击

通过生成介于0和1之间的随机数p，然后找到最小的k（k=1，2，3，…#权重），可以按权重比例采样（此处为100/300，100/300，50/300，50/300），从而使从1到k的权重之和小于或等于p

找到k的一种有效方法是构造一个权重部分和的列表（即0，w1，w1+w2，w1+w2+w3，…），然后在该列表上执行二进制搜索（非线性）。二进制搜索将产生每个样本的时间，该时间随权重数（您案例中的用户）对数增长，而线性搜索产生线性增长

编辑：一个例子。给定n=10个用户，分别有n=（100、160、200、20500、550、400、300、120、80）个事件。事件总数=2430，权重w=（10/243、16/243、20/243、2/243、50/243、55/243、40/243、10/81、4/81、8/243）。权重的部分和S=（0,10/243,26/243,46/243,16/81,98/243,17/27,193/243,223/243,235/243,1）。（注意：我以前搞错了；顺序应该是（0，w1，w1+w2，w1+w2+w3，…，w1+…+w[n-1]，1）。）

---

给定一个介于0和1之间的随机数x，通过二进制搜索找到部分和的索引，这样我就找到了一种方法：在处理之前需要一些验证。你能用一个例子来说明吗？这一方法不太清楚，无法解释me@Disha我举了一个例子，希望这能有所帮助。