Question

这是来自here的后续问题。我正在尝试基于此implementation实现k-means。它效果很好，但是我想用groupByKey()替换reduceByKey()，但我不确定（我现在不担心性能）。以下是相关的缩小代码：

val data = sc.textFile("dense.txt").map(
        t => (t.split("#")(0), parseVector(t.split("#")(1)))).cache()

val read_mean_centroids = sc.textFile("centroids.txt").map(
        t => (t.split("#")(0), parseVector(t.split("#")(1))))
var centroids = read_mean_centroids.takeSample(false, K, 42).map(x => x._2)
do {
    var closest = read_mean_centroids.map(p => (closestPoint(p._2, centroids), p._2))
    var pointsGroup = closest.groupByKey() // <-- THE VICTIM :)
    var newCentroids = pointsGroup.mapValues(ps => average(ps.toSeq)).collectAsMap()
    ..

请注意println(newCentroids)会给出：

地图（23 - ＆gt;（ - 6.269305E-4，-0.0011746404，-4.08004E-5），8 - ＆gt;（ - 5.108732E-4,7.336348E-4，-3.707591E-4），17 - ＆gt;（-0.0016383086，-0.0016974678,1.45 ..

和println(closest)：

MapPartitionsRDD [6]位于地图kmeans.scala：75

相关问题：Using reduceByKey in Apache Spark (Scala)。

一些documentation：

def reduceByKey（func：（V，V）⇒V）：RDD [（K，V）]

使用关联reduce函数合并每个键的值。

def reduceByKey（func：（V，V）⇒V，numPartitions：Int）：RDD [（K，V）]

使用关联reduce函数合并每个键的值。

def reduceByKey（分区程序：分区程序，功能：（V，V）⇒V）：RDD [（K，V）]

使用关联reduce函数合并每个键的值。

def groupByKey（）：RDD [（K，Iterable [V]）]

将RDD中每个键的值分组为一个序列。

Answer 1

你可以使用这样的aggregateByKey()（比reduceByKey()更自然一点）来计算newCentroids：

val newCentroids = closest.aggregateByKey((Vector.zeros(dim), 0L))(
  (agg, v) => (agg._1 += v, agg._2 + 1L),
  (agg1, agg2) => (agg1._1 += agg2._1, agg1._2 + agg2._2)
).mapValues(agg => agg._1/agg._2).collectAsMap

为此，您需要计算数据的维度，即dim，但您只需要执行一次。您可以使用类似val dim = data.first._2.length的内容。

用reduceByKey（）

1 个答案: