将 groupByKey() 替换为 reduceByKey()

Question

这是 . I am trying to implement k-means based on this implementation 的后续问题。它工作得很好，但是我想用 reduceByKey() 替换 groupByKey()，但我不确定如何（我现在不担心性能）。这是相关的缩小代码：

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()
    ..

注意 println(newCentroids) 会给出：

Map(23 -> (-6.269305E-4, -0.0011746404, -4.08004E-5), 8 -> (-5.108732E-4, 7.336348E-4, -3.707591E-4), 17 -> (-0.0016383086, -0.0016974678, 1.45..

和println(closest):

MapPartitionsRDD[6] at map at 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)]

使用关联归约函数合并每个键的值。

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

使用关联归约函数合并每个键的值。

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

使用关联归约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

您可以像这样使用 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，但您只需执行一次。你可能会使用像 val dim = data.first._2.length.

这样的东西

将 groupByKey() 替换为 reduceByKey()

Replace groupByKey() with reduceByKey()

scala

apache-spark

machine-learning

mapreduce

distributed-computing