随机、优先与权重（续）

写完上文《》后，我顺便写了一个 Python 版本的 ——毕竟我们这个人工智能组的主要编程语言是 Python。在测试的时候，我发现一个很糟糕的问题。 Damping 和 Invert 这两个主要算法，居然有缺陷，因为之前的测试逻辑不严谨，边界处理的问题没有暴露出来。 首先是以前的 damping 并不会选中第一个元素。这是一个很简单的计算问题，做一下平移就能解决

class Damping[T](val random: Random) extends Poker[T] {
          
   
  override def select(cards: Seq[T]): Option[Int] = {
          
   
    if (cards == null || cards.isEmpty) {
          
   
      return None
    }
    if (cards.size == 1) {
          
   
      return Some(0)
    }

    val range = Math.log(cards.size + 1)
    val value = Math.exp(random.nextDouble() * range)
    Some(Math.floor(value).intValue() - 1)
  }
}

不过没有第一时间发现这个问题，确实是因为测试逻辑写的不严谨。过去的测试逻辑是执行完算法逻辑后，遍历计数器字典，打印结果。但是如果某个元素一次也没有被选中过，就不会出现在字典中，正确的逻辑应该是：

it should "select more elements while more nearer front user damping" in {
          
   
    val counter: mutable.Map[Int, Int] = new mutable.TreeMap[Int, Int]()
    val croupier = Croupier.damping[Int]
    for (_ <- 0 until 100000) {
          
   
      val element = croupier.randSelect(elements)
      element should not be None
      element.foreach {
          
    value =>
        counter.put(value, counter.getOrElse(value, 0) + 1)
      }
    }
    for (num <- elements) {
          
   
      info(s"damping select $num times ${
            
     counter.getOrElse(num, 0)}")
    }
  }

当然，在scaled/rank算法中，如果某一个元素的权重是0，那么它也不会被选中，这是符合设计的。 最后，我观察了 invert 的计算结果，感觉这个曲线还是过于陡峭了，对于（我自己）常见的业务来说，是一个太过激进的做法。于是我把 invert 改成了反向的damping。 相关的内容我已经在前文中做了修改，jaskell core、jaskell dotty 和 jaskell java8的相关修改也已经发布。不过测试代码不严谨导致问题没有及时发现，这倒是值得记一笔。 顺便说一下 Python 版本 pycroupier，这个版本的实现比较简单，因为 python 是动态类型，很多在静态类型中的设计都没有意义。rank/scale合并为rank，并且rank只要求是一个函数（或者实现了 __call__(self, item)方法的对象）。同样在Scala和Java版中用来构造 croupier 的静态（object）方法，也写成了函数。 再就是draw_one 抽取一个元素，draw 则提取一组，不提供分组为(selected, rest)的操作，因为 Python 的默认 list 并不提供只读保证，Python 的使用者也习惯了利用高度的动态特性。如果确实需要，可以将原有的 list 复制之后使用，这也是我实现 select 的方法。 也因为这个原因，使用 ZipRanked 类型时要注意，此时使用的 rank 函数需要返回整数，因为 ZipRank 要构造一个键为权重的字典，如果使用浮点数 rank，那么意喻着rank值来自一个稠密的实数区间，恐怕 zip 就失去了意义。 最后，pycroupier 的安装和使用非常简单，从 pypi 就可以安装：

pip install pycroupier

导入 pycroupier 包就可以使用

In [1]: import pycroupier

In [2]: data = ["b", "e", "h", "d", "f"]

In [3]: croupier = pycroupier.damping()

In [4]: croupier.draw(data, 2)
Out[4]: [d, b]

In [5]:

上面这段代码演示了在 IPython 里执行 damping 选择的效果。 最后，如果大家有深入了解过 Python 的标准库，它提供了 shuffle、choice这样的基本操作，可以用于构造对列表的随机操作，但是这些操作都是基于平均概率的。