很可惜 T 。T 您現(xiàn)在還不是作者身份，不能自主發(fā)稿哦～
如有投稿需求，請把文章發(fā)送到郵箱tougao@appcpx.com，一經(jīng)錄用會有專人和您聯(lián)系
咨詢?nèi)绾纬蔀榇河鹱髡哒埪?lián)系：鳥哥筆記小羽毛（ngbjxym）
這是我的第59篇原創(chuàng)
統(tǒng)計學是一個用數(shù)學研究現(xiàn)實世界的學科，研究的手段就是搜索、整理、分析、描述數(shù)據(jù)等手段。你看，跟數(shù)據(jù)分析師的工作是不是很像??？
統(tǒng)計學家是一個很有意思的職業(yè)，早期的統(tǒng)計學家大量的工作都花在了數(shù)據(jù)搜集和整理上了。
比如現(xiàn)在數(shù)理統(tǒng)計的奠基人英國數(shù)學和統(tǒng)計學家費希爾，長期在農(nóng)業(yè)試驗站搞生物實驗，其實就是種地去了
。
他們研究的目標都是很實用的問題。你看很多名詞就知道了，什么假設(shè)檢驗、幸存者偏差、遺傳算法、期望、生命表、魚塘抽樣、雙盲測試等等，一看就明白研究的是啥。
這幾年大數(shù)據(jù)火的不行不行的。很多人對大數(shù)據(jù)的理解是我們擁有全量數(shù)據(jù)了，可以不用做估算了，也不用做抽樣統(tǒng)計了。咱先不對這個說法做任何評判，先看幾個統(tǒng)計學家撈魚的故事，之后你就會對這個問題有更進一步的理解了。
你在老家承包了一個大池塘，但是你不知道里面有多少條魚，這沒法進行管理啊，這可咋辦？
數(shù)魚跟數(shù)羊不一樣，數(shù)羊可以通過圍欄來清點，數(shù)過的在一邊，沒數(shù)過的在另一邊。但是魚是會游來游去的，而且會上下左右亂游，這可沒法精確清點。怎么辦呢？
統(tǒng)計學家數(shù)數(shù)，統(tǒng)共分兩步：
1、先隨便撈一批魚（比如10網(wǎng)，共1000條），打上標記，放池塘；
2、過一陣，再隨便撈一批魚（共800條），數(shù)一下有標記的占多少（比如有16條）。
這樣就能估算出來了：
1000條魚與池塘總魚數(shù)X的關(guān)系是1000：X
有標記的魚與樣本量的關(guān)系是16:800。
因為兩次都是隨機撈的，這兩次隨機的概率分布基本是一致的。所以可以用一次的抽樣的分布當做概率，然后推算總量：
1000:X=16:800，X=50000條，魚塘大概有5萬條魚。
這就是抽樣概率的實際應用-總量估算，這招在很多需要總量估計的地方都能用到。
突然有一天，上帝給你一個任務：需要從池塘中挑選100條魚進入天堂，你必須要保證公平。上帝在給你任務的時候，卻忘了給你對應的能力。這可該咋辦??？
沒關(guān)系，統(tǒng)計學家來幫你。
你同樣不知道這個池塘有多少條魚，因此保證每一條魚都有公平的被選入的機會，就是一個非常困難的事情了。不過統(tǒng)計學家早已研究過了：
1、先撈100條魚，放在備選筐中；
2、然后不斷的撈魚，拿其中一只過來，給他搖獎，號箱里是1-101號，如果搖的號在1-100之間，就入選，并從備選筐中隨便撈一條魚做好標記扔回去，否則把剛撈出來的魚好標記扔回去。然后以后只撈沒有標記的魚就能達成公平的要求了。
3、繼續(xù)重復第二個步驟，撈沒有標記的魚。每多一條魚，就往號箱里加一個數(shù)，搖中了就放備選筐，沒搖中就做標記扔回池塘里。比如撈了一上午了，撈出了第10000只魚，這時候號箱里有10000個號，這時候給魚搖獎，搖到1-100號，就留下，否則就打標記扔回去。
這就是傳說中的“水塘采樣/抽樣”。有人說，這跟大數(shù)據(jù)有啥關(guān)系啊？這個可太有關(guān)系了！
水塘采樣可以解決在總量未知的情況下進行同等概率的采樣，而以下場景正好需要一種方法解決這個問題：
1、在內(nèi)存不夠大的時候，對全量數(shù)據(jù)進行隨機采樣；
這個應用場景是解決數(shù)據(jù)傾斜。我們需要對全量樣本進行采樣，得知數(shù)據(jù)的分布，然后根據(jù)數(shù)據(jù)分布進行分區(qū)，這樣，每個節(jié)點分到的數(shù)據(jù)基本上是均勻的，也就解決了數(shù)據(jù)傾斜的問題。
2、在數(shù)據(jù)流中，對全量數(shù)據(jù)進行隨機采樣；
這個應用場景是實時數(shù)據(jù)處理，在流數(shù)據(jù)過來的時候，數(shù)據(jù)總量是不知道的，這時候就得用水塘采樣法解決流式數(shù)據(jù)隨機采樣了。在線機器學習就會使用這種方法。
3、在分布式節(jié)點數(shù)據(jù)源進行隨機采樣。
這個應用場景是解決分布式數(shù)據(jù)來源進行隨機采樣的。比如在機器學習時，需要對全量數(shù)據(jù)進行隨機采樣，但是數(shù)據(jù)是存在很多個節(jié)點中的，你如果把所有數(shù)據(jù)都讀取一遍，然后再采樣，那簡直太慢了。Flink就用了水塘采樣，速度又快，又很精準。
另外，我們用的A/B Test和質(zhì)檢也會用到各種抽樣哦！聽過買桃子的笑話嗎？
小明去買桃子，買回來的每個桃子上都被咬了一口，原因是他需要吃一口才能確認桃子甜不甜。
我們買回來的所有產(chǎn)品都有質(zhì)檢這一關(guān)的。我們不可能把每一個產(chǎn)品都破壞性質(zhì)量檢驗，這跟上面的小明沒啥區(qū)別。
比如說這個，膨化食品袋中的小東西。這是是用來監(jiān)測食品袋中是否會混入金屬用的。是質(zhì)檢手段之一。廠家有意往產(chǎn)品中隨機添加這些測試芯片，然后在出廠前進行芯片回收，用以確定該條產(chǎn)品線是否安全。一旦在出廠前找到了這些芯片，就說明前面的所有金屬檢測手段都失效了。
所以再有人跟你說：因為大數(shù)據(jù)的“全量”，所以不需要“抽樣”統(tǒng)計時，你就可以隨便拋出這幾個應用場景打他的臉了。
總結(jié)一下，原因有三：
1、大數(shù)據(jù)的“全量”有個前提，就是你的“全量”真的是全量。而絕大多數(shù)情況我們都無法做到真正的全量。
2、并且即便是我們有全量數(shù)據(jù)了，因為全量數(shù)據(jù)太多了，為了保證效率，有時候我們也會用抽樣；
3、有些事情真的不能全量。比如A/B Test和質(zhì)檢。
這些統(tǒng)計專業(yè)知識不是專門研究這些的人，壓根就不會這樣想，這也是為什么機器學習對數(shù)學、統(tǒng)計功底要求高的原因。所以啊，加油吧少年！好好學習，才能漲工資啊
。
往期精彩回顧
熱文 | 大數(shù)據(jù)工程師體系職業(yè)路徑全解
本文為作者獨立觀點，不代表鳥哥筆記立場，未經(jīng)允許不得轉(zhuǎn)載。
《鳥哥筆記版權(quán)及免責申明》 如對文章、圖片、字體等版權(quán)有疑問，請點擊 反饋舉報
我們致力于提供一個高質(zhì)量內(nèi)容的交流平臺。為落實國家互聯(lián)網(wǎng)信息辦公室“依法管網(wǎng)、依法辦網(wǎng)、依法上網(wǎng)”的要求，為完善跟帖評論自律管理，為了保護用戶創(chuàng)造的內(nèi)容、維護開放、真實、專業(yè)的平臺氛圍，我們團隊將依據(jù)本公約中的條款對注冊用戶和發(fā)布在本平臺的內(nèi)容進行管理。平臺鼓勵用戶創(chuàng)作、發(fā)布優(yōu)質(zhì)內(nèi)容，同時也將采取必要措施管理違法、侵權(quán)或有其他不良影響的網(wǎng)絡(luò)信息。
一、根據(jù)《網(wǎng)絡(luò)信息內(nèi)容生態(tài)治理規(guī)定》《中華人民共和國未成年人保護法》等法律法規(guī)，對以下違法、不良信息或存在危害的行為進行處理。
1. 違反法律法規(guī)的信息，主要表現(xiàn)為：
1)反對憲法所確定的基本原則；
2)危害國家安全，泄露國家秘密，顛覆國家政權(quán)，破壞國家統(tǒng)一，損害國家榮譽和利益；
3)侮辱、濫用英烈形象，歪曲、丑化、褻瀆、否定英雄烈士事跡和精神，以侮辱、誹謗或者其他方式侵害英雄烈士的姓名、肖像、名譽、榮譽；
4)宣揚恐怖主義、極端主義或者煽動實施恐怖活動、極端主義活動；
5)煽動民族仇恨、民族歧視，破壞民族團結(jié)；
6)破壞國家宗教政策，宣揚邪教和封建迷信；
7)散布謠言，擾亂社會秩序，破壞社會穩(wěn)定；
8)宣揚淫穢、色情、賭博、暴力、兇殺、恐怖或者教唆犯罪；
9)煽動非法集會、結(jié)社、游行、示威、聚眾擾亂社會秩序；
10)侮辱或者誹謗他人，侵害他人名譽、隱私和其他合法權(quán)益；
11)通過網(wǎng)絡(luò)以文字、圖片、音視頻等形式，對未成年人實施侮辱、誹謗、威脅或者惡意損害未成年人形象進行網(wǎng)絡(luò)欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法規(guī)禁止的其他內(nèi)容；
2. 不友善：不尊重用戶及其所貢獻內(nèi)容的信息或行為。主要表現(xiàn)為：
1)輕蔑：貶低、輕視他人及其勞動成果；
2)誹謗：捏造、散布虛假事實，損害他人名譽；
3)嘲諷：以比喻、夸張、侮辱性的手法對他人或其行為進行揭露或描述，以此來激怒他人；
4)挑釁：以不友好的方式激怒他人，意圖使對方對自己的言論作出回應，蓄意制造事端；
5)羞辱：貶低他人的能力、行為、生理或身份特征，讓對方難堪；
6)謾罵：以不文明的語言對他人進行負面評價；
7)歧視：煽動人群歧視、地域歧視等，針對他人的民族、種族、宗教、性取向、性別、年齡、地域、生理特征等身份或者歸類的攻擊；
8)威脅：許諾以不良的后果來迫使他人服從自己的意志；
3. 發(fā)布垃圾廣告信息：以推廣曝光為目的，發(fā)布影響用戶體驗、擾亂本網(wǎng)站秩序的內(nèi)容，或進行相關(guān)行為。主要表現(xiàn)為：
1)多次發(fā)布包含售賣產(chǎn)品、提供服務、宣傳推廣內(nèi)容的垃圾廣告。包括但不限于以下幾種形式：
2)單個帳號多次發(fā)布包含垃圾廣告的內(nèi)容；
3)多個廣告帳號互相配合發(fā)布、傳播包含垃圾廣告的內(nèi)容；
4)多次發(fā)布包含欺騙性外鏈的內(nèi)容，如未注明的淘寶客鏈接、跳轉(zhuǎn)網(wǎng)站等，誘騙用戶點擊鏈接
5)發(fā)布大量包含推廣鏈接、產(chǎn)品、品牌等內(nèi)容獲取搜索引擎中的不正當曝光；
6)購買或出售帳號之間虛假地互動，發(fā)布干擾網(wǎng)站秩序的推廣內(nèi)容及相關(guān)交易。
7)發(fā)布包含欺騙性的惡意營銷內(nèi)容，如通過偽造經(jīng)歷、冒充他人等方式進行惡意營銷；
8)使用特殊符號、圖片等方式規(guī)避垃圾廣告內(nèi)容審核的廣告內(nèi)容。
4. 色情低俗信息，主要表現(xiàn)為：
1)包含自己或他人性經(jīng)驗的細節(jié)描述或露骨的感受描述；
2)涉及色情段子、兩性笑話的低俗內(nèi)容；
3)配圖、頭圖中包含庸俗或挑逗性圖片的內(nèi)容；
4)帶有性暗示、性挑逗等易使人產(chǎn)生性聯(lián)想；
5)展現(xiàn)血腥、驚悚、殘忍等致人身心不適；
6)炒作緋聞、丑聞、劣跡等；
7)宣揚低俗、庸俗、媚俗內(nèi)容。
5. 不實信息，主要表現(xiàn)為：
1)可能存在事實性錯誤或者造謠等內(nèi)容；
2)存在事實夸大、偽造虛假經(jīng)歷等誤導他人的內(nèi)容；
3)偽造身份、冒充他人，通過頭像、用戶名等個人信息暗示自己具有特定身份，或與特定機構(gòu)或個人存在關(guān)聯(lián)。
6. 傳播封建迷信，主要表現(xiàn)為：
1)找人算命、測字、占卜、解夢、化解厄運、使用迷信方式治?。?br /> 2)求推薦算命看相大師；
3)針對具體風水等問題進行求助或咨詢；
4)問自己或他人的八字、六爻、星盤、手相、面相、五行缺失，包括通過占卜方法問婚姻、前程、運勢，東西寵物丟了能不能找回、取名改名等；
7. 文章標題黨，主要表現(xiàn)為：
1)以各種夸張、獵奇、不合常理的表現(xiàn)手法等行為來誘導用戶；
2)內(nèi)容與標題之間存在嚴重不實或者原意扭曲；
3)使用夸張標題，內(nèi)容與標題嚴重不符的。
8.「飯圈」亂象行為，主要表現(xiàn)為：
1)誘導未成年人應援集資、高額消費、投票打榜
2)粉絲互撕謾罵、拉踩引戰(zhàn)、造謠攻擊、人肉搜索、侵犯隱私
3)鼓動「飯圈」粉絲攀比炫富、奢靡享樂等行為
4)以號召粉絲、雇用網(wǎng)絡(luò)水軍、「養(yǎng)號」形式刷量控評等行為
5)通過「蹭熱點」、制造話題等形式干擾輿論，影響傳播秩序
9. 其他危害行為或內(nèi)容，主要表現(xiàn)為：
1)可能引發(fā)未成年人模仿不安全行為和違反社會公德行為、誘導未成年人不良嗜好影響未成年人身心健康的；
2)不當評述自然災害、重大事故等災難的；
3)美化、粉飾侵略戰(zhàn)爭行為的；
4)法律、行政法規(guī)禁止，或可能對網(wǎng)絡(luò)生態(tài)造成不良影響的其他內(nèi)容。
二、違規(guī)處罰
本網(wǎng)站通過主動發(fā)現(xiàn)和接受用戶舉報兩種方式收集違規(guī)行為信息。所有有意的降低內(nèi)容質(zhì)量、傷害平臺氛圍及欺凌未成年人或危害未成年人身心健康的行為都是不能容忍的。
當一個用戶發(fā)布違規(guī)內(nèi)容時，本網(wǎng)站將依據(jù)相關(guān)用戶違規(guī)情節(jié)嚴重程度，對帳號進行禁言 1 天、7 天、15 天直至永久禁言或封停賬號的處罰。當涉及欺凌未成年人、危害未成年人身心健康、通過作弊手段注冊、使用帳號，或者濫用多個帳號發(fā)布違規(guī)內(nèi)容時，本網(wǎng)站將加重處罰。
三、申訴
隨著平臺管理經(jīng)驗的不斷豐富，本網(wǎng)站出于維護本網(wǎng)站氛圍和秩序的目的，將不斷完善本公約。
如果本網(wǎng)站用戶對本網(wǎng)站基于本公約規(guī)定做出的處理有異議，可以通過「建議反饋」功能向本網(wǎng)站進行反饋。
(規(guī)則的最終解釋權(quán)歸屬本網(wǎng)站所有)