今日面试题，蓄水池抽样，又称随机抽样问题，表示如下：
要求从N个元素中随机的抽取k个元素，其中N无法确定。
这种应用的场景一般是数据流的情况下，由于数据只能被读取一次，而且数据量很大，并不能全部保存，因此数据量N是无法在抽样开始时确定的；但又要保持随机性，于是有了这个问题。所以搜索网站有时候会问这样的问题。
这里的核心问题就是“随机”，怎么才能是随机的抽取元素呢？我们设想，买彩票的时候，由于所有彩票的中奖概率都是一样的，所以我们才是“随机的”买彩票。那么要使抽取数据也随机，必须使每一个数据被抽样出来的概率都一样。
Google 搜索之星分析
题目：
给你一天的Google搜索日志，你怎么设计算法找出是否有一个搜索词，它出现的频率占所有搜索的一半以上？如果肯定有一个搜索词占大多数，你能怎么提高你的算法找到它？再假定搜索日志就是内存中的一个数组，能否有O(1)空间，O(n)时间的算法？
分析：
首先要看清题目，说的是“一半以上”，“大多数”，"majority"，也就是大于５０％。
很多情形下，尤其在面试比较紧张的情形下，经常会下意识的很快得出一个如下的方法（这个没有错，能有解决方案胜于完全没想法）。定义一个哈希表，里面存放数组里面的每个元素以及出现的次数。可以通过两个过程来做。
第一步是映射，将每个元素放进去，存在加一，不存在置一。同时统计元素个数。
第二步是遍历整个哈希表，判断是否找到出现次数大于数组长度一半的。如果有，找到。否则没有。
显然，这个要求O(n)的空间在存储哈希表，并不理想。
另外的下意识的方法， 比如说，先将元素排序，然后再进行判断。因为如果有大多数的话，取数组中间点的那个元素即为所要找的那个。不过这种方法首先排序就需要O(NlogN)的时间复杂度，并不是很理想。
题中说到肯定有一个搜索词是大多数，这个条件可能蕴藏着提高的空间。
面试时，我们会经常写下一个例子，手工做些运算，也许能找到好的方案。
比如，1，2，2，3，2，2，3 显然2是多数元素 去除1，2，在2，3，2，2，3 中2仍是多数元素 去除1，3，在2，3，2，2，3 中2更是多数元素
再比如，1，3，2，3，2，2，3 显然没有多数元素 去除1，3，在2，3，2，2，3 中2成了多数
观察结论：在原序列中去除两个不同的元素后，那么在原序列中的多数元素在新序列中还是多数元素。但新序列中的多数元素在原序列不一定是多数，所以需要验证。但原题说是肯定有多数，所以我们可以忽略验证。
基于这个观察，假设我们一开始从数组的开头，碰到某个元素的时候，就设置该元素为当前元素。当前出现的次数为1，后面，如果接着碰到的元素和该元素 相同，则当前次数加1，否则减1。如果当前出现的次数为0，则表示当前元素不确定。如果结合我们有大多数元素这个前提的话，必然最后的结果是大于0的，而 且最终获取到的值就是大多数元素。
对于这个大多数算法（Majority Algorithm）, 国外有教授有研究并发表论文：《MJRTY - A Fast Majority Vote Algorithm》
