使用cascalog将共现计数转换为共现概率

时间:2013-05-18 20:57:36

标签: hadoop clojure cascalog

我有一个存储在s3上的共现计数表(其中每一行是[key-a,key-b,count]),我想从中产生共现概率矩阵。

为此,我需要计算每个key-a的计数总和,然后将每一行除以其key-a的总和。

如果我“手动”执行此操作,我会对数据进行传递以生成从键到总计的哈希表(在leveldb或类似的东西中),然后对数据进行第二次传递以执行师。这听起来不像是一种非常简单的方法。

有没有办法通过相当于自我加入来获得一行的总数?

1 个答案:

答案 0 :(得分:2)

示例数据:

(def coocurrences
  [["foo" "bar" 3]
   ["bar" "foo" 3]
   ["foo" "quux" 6]
   ["quux" "foo" 6]
   ["bar" "quux" 2]
   ["quux" "bar" 2]])

查询:

(require '[cascalog.api :refer :all] '[cascalog.ops :as c])

(let [total (<- [?key-a ?sum]
              (coocurrences ?key-a _ ?c)
              (c/sum ?c :> ?sum))]
  (?<- (stdout) [?key-a ?key-b ?prob]
    (div ?c ?sum :> ?prob)
    (coocurrences ?key-a ?key-b ?c)
    (total ?key-a ?sum)))

输出:

RESULTS
-----------------------
bar     foo     0.6
bar     quux    0.4
foo     bar     0.3333333333333333
foo     quux    0.6666666666666666
quux    foo     0.75
quux    bar     0.25
-----------------------