两级确定性抽样实现疑问：如何对source为foo的Thing二次抽样？

问题背景 #

我有一批Thing结构体实例，每个Thing包含字符串类型的source字段。目前用确定性哈希实现Thing的确定性抽样，代码如下：

def is_thing_sampled(t: Thing):
    hashed_thing = my_deterministic_hash(t);
    return hashed_thing % 100 < sample_size_pct;

现在需要扩展这个函数：对source为"foo"的Thing做额外二次抽样——当该Thing通过基础抽样且source是"foo"时，需要再进行一次抽样。我尝试写了代码，但不确定二次抽样的实现是否正确，希望得到正确的实现思路和指导：

def is_thing_sampled(t: Thing):
   hashed_thing = my_deterministic_hash(t)
   base = hashed_thing % 100 < sample_size_pct;
   if base and t.source == "foo":
      # 这里怎么实现二次抽样？
      double_hash = my_deterministic_hash(hashed_thing)
      return double_hash % 100 < foo_sample_size_pct

    return base    

正确实现思路与代码 #

核心要求是保持抽样的确定性（同一个Thing每次判断结果一致），同时让"foo"来源的样本在通过基础抽样后，再经历一次筛选，最终抽样比例为基础抽样比例 × foo二次抽样比例。

你的尝试存在一个关键问题：直接用my_deterministic_hash(hashed_thing)生成二次哈希不够稳妥——若哈希函数对整数的处理存在碰撞风险，或原哈希值的分布特性被破坏，会影响二次抽样的均匀性。更可靠的做法是基于原Thing的信息生成独立的确定性哈希。

推荐两种实现方式：

方式1：基于原哈希与固定标识组合生成二次哈希 #

def is_thing_sampled(t: Thing):
    hashed_thing = my_deterministic_hash(t)
    # 先判断基础抽样是否通过
    if not (hashed_thing % 100 < sample_size_pct):
        return False
    
    # 非foo来源直接通过
    if t.source != "foo":
        return True
    
    # foo来源二次抽样：用原哈希+固定标识生成独立哈希，保证确定性
    double_hash_input = f"{hashed_thing}_foo_secondary_sampling"
    double_hash = my_deterministic_hash(double_hash_input)
    return double_hash % 100 < foo_sample_size_pct

方式2：直接结合Thing实例与标识生成二次哈希 #

如果my_deterministic_hash支持哈希组合对象，也可以直接用Thing实例加额外标识生成二次哈希：

def is_thing_sampled(t: Thing):
    hashed_thing = my_deterministic_hash(t)
    if not (hashed_thing % 100 < sample_size_pct):
        return False
    
    if t.source != "foo":
        return True
    
    # 用Thing实例+专属标识生成二次哈希，确保与基础哈希独立
    double_hash = my_deterministic_hash((t, "foo_secondary"))
    return double_hash % 100 < foo_sample_size_pct

关键注意事项 #

• 确定性保障：二次抽样的哈希输入必须固定且唯一，确保同一个Thing每次计算的二次哈希结果一致，不会出现抽样结果波动。
• 抽样比例正确性："foo"来源的Thing最终被选中的概率是 (sample_size_pct/100) × (foo_sample_size_pct/100)，比如基础抽样20%、二次抽样50%，最终foo样本的抽样比例为10%。
• 哈希均匀性：确保二次哈希的输入能让哈希结果均匀分布，避免抽样偏差。不要直接复用原哈希值作为二次哈希的输入，否则可能破坏分布均匀性。

内容的提问来源于stack exchange，提问作者nz_21