Случайный выбор элемента из взвешенного списка

Ответ 1

Вы можете использовать расширенное двоичное дерево поиска для хранения элементов вместе с суммой весов в каждом поддереве. Это позволяет вам вставлять и удалять элементы и веса, но вы хотите. Для выборки и обновления требуется время O (lg n) за операцию, а использование пространства - O (n).

Сэмплирование выполняется путем генерации случайного целого числа в [1, S], где S - сумма всех весов (S хранится в корне дерева) и выполнения двоичного поиска с использованием сумм взвешивания, хранящихся для каждого поддерево.

Ответ 2

Мне очень нравится решение jonderry, но мне интересно, нужна ли эта проблема такой сложной структуре, как расширенное двоичное дерево поиска. Что, если бы мы сохранили два массива, один с входными весами, скажем a = {1,1,2,5} и один с кумулятивными весами (очень похожая идея на решение jonderry), которая была бы b = {1,2,4, 9}. Теперь создадим случайное число в [1 9] (скажем, x) и бинарный поиск для него в совокупном массиве сумм. Место i, где b [i] <= x и b [i-1] > x отмечено, и возвращается [i]. Итак, если случайное число равно 3, мы получим я = 3, и будет возвращено значение [3] = 2. Это обеспечивает ту же сложность, что и расширенное дерево с более простой реализацией.

Ответ 3

Решение, которое выполняется в O (n), должно начинаться с выбора первого элемента. Затем для каждого следующего элемента либо сохраните элемент, который у вас есть, либо замените его на следующий. Пусть w - сумма всех весов для элементов, рассмотренных до сих пор. Затем сохраните старый с вероятностью w/(w + x) и выберем новый с p = x/(w + x), где x - вес следующего элемента.

Ответ 4

Это то, что я сделал для его решения:

def rchoose(list1, weights):
    '''
    list1   :    list of elements you're picking from.
    weights :    list of weights. Has to be in the same order as the 
                 elements of list1. It can be given as the number of counts 
                 or as a probability.
    '''

    import numpy as np

    # normalizing the weights list
    w_sum = sum(weights)
    weights_normalized = []
    for w in weights:
        weights_normalized.append(w/w_sum)

    # sorting the normalized weights and the desired list simultaneously
    weights_normalized, list1 = zip(*sorted(zip(weights_normalized, list1)))

    # bringing the sorted tuples back to being lists
    weights_normalized = list(weights_normalized)
    list1 = list(list1)

    # finalizing the weight normalization
    dummy = []; count = 0
    for item in weights_normalized:
        count += item
        dummy.append(count)
    weights_normalized = dummy

    # testing which interval the uniform random number falls in
    random_number = np.random.uniform(0, 1)
    for idx, w in enumerate(weights_normalized[:-1]):
        if random_number <= w:
            return list1[idx]

    return list1[-1]

Ответ 5

Если вы знаете сумму весов (в вашем случае 9) И, вы используете структуру данных с произвольным доступом (список подразумевает время доступа O (n)), то это можно сделать быстро

1) выберите случайный элемент (O (1)). Поскольку существует шанс 1/num_elems выбрать элемент на этом шаге, это позволяет нам использовать ускорение num_elems* для шага 2), тем самым ускоряя алгоритм.

2) вычислить его ожидаемую вероятность: num_elems * (weight/total_weight)

3) возьмем случайное число в диапазоне 0..1, и если оно меньше ожидаемой вероятности, у вас есть выход. Если нет, повторите с шага 1)