原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
Sapprox的Python实现
(1)建立SegMap
数据集：Lineitem1.tbl，共6001215个record
设定segment size=10000,即将整个数据集划分成601个segment。
目标：统计出每列上每个unique x在各个segment上的occurrence。
(需要分别统计第4列~第15列)
(2)利用SegMap中的统计信息进行计算
对于一个y=(MAIL，N)，我们用下面的公式估计它在每个segment i上存在的概率：
注：这里有个顺序读取过程，对于MAIL，我们要在SegMap中第15列的存储信息表中，按顺序读取到MAIL在各个segment上的出现次数，而不是直接检索到。同理 ，对于第9列的N也是。
然后根据cumulative-size方法进行segment的采样：
所需的样本数量：6001215*10%
将采出的segment中的所有record放到一个Sample.txt中。
文档评论（0）