写mapreduce程序实现kmeans算法,我们的思路可能是这样的
1. 用一个全局变量存放上一次迭代后的质心
2. map里,计算每个质心与样本之间的距离,得到与样本距离最短的质心,以这个质心作为key,样本作为value,输出
3. reduce里,输入的key是质心,value是其他的样本,这时重新计算聚类中心,将聚类中心put到一个全部变量t中。
4. 在main里比较前一次的质心和本次的质心是否发生变化,如果变化,则继续迭代,否则退出。
本文的思路基本上是按照上面的步骤来做的,只不过有几个问题需要解决
1. hadoop是不存在自定义的全局变量的,所以上面定义一个全局变量存放质心的想法是实现不了的,所以一个替代的思路是将质心存放在文件中
2. 存放质心的文件在什么地方读取,如果在map中读取,那么可以肯定我们是不能用一个mapreduce实现一次迭代,所以我们选择在main函数里读取质心,然后将质心set到configuration中,configuration在map和reduce都是可读
3. 如何比较质心是否发生变化,是在main里比较么,读取本次质心和上一次质心的文件然后进行比较,这种方法是可以实现的,但是显得不够高富帅,这个时候我们用到了自定义的counter,counter是全局变量,在map和reduce中可读可写,在上面的思路中,我们看到reduce是有上次迭代的质心和刚刚计算出来的质心的,所以直接在reduce中进行比较就完全可以,如果没发生变化,counter加1。只要在main里比较获取counter的值就行了。
梳理一下,具体的步骤如下
1. main函数读取质心文件
2. 将质心的字符串放到configuration中
3. 在mapper类重写setup方法,获取到configuration的质心内容,解析成二维数组的形式,代表质心
4. mapper类中的map方法读取样本文件,跟所有的质心比较,得出每个样本跟哪个质心最近,然后输出<质心,样本>
5. reducer类中重新计算质心,如果重新计算出来的质心跟进来时的质心一致,那么自定义的counter加1
6. main中获取counter的值,看是否等于质心,如果不相等,那么继续迭代,否在退出
具体的实现如下
1. pom依赖
这个要跟集群的一致,因为如果不一致在计算其他问题的时候没有问题,但是在使用counter的时候会出现问题
java.lang.IncompatibleClassChangeError: Found interface org.apache.hadoop.mapreduce.Counter, but class was expected
原因是:其实从2.0开始,org.apache.hadoop.mapreduce.Counter从1.0版本的class改为interface,可以看一下你导入的这个类是class还是interface,如果是class那么就是导包导入的不对,需要修改
2.
样本
实例样本如下
1,1 2,2 3,3 -3,-3 -4,-4 -5,-5
3.
质心
这个质心是从样本中随机找的
1,1 2,2
4. 代码实现
首先定义一个Center类,这个类主要存放了质心的个数k,还有两个从hdfs上读取质心文件的方法,一个用来读取初始的质心,这个实在文件中,还有一个是用来读取每次迭代后的质心文件夹,这个是在文件夹中的,代码如下
Center类
public class Center { protected static int k = 2; //质心的个数 /** * 从初始的质心文件中加载质心,并返回字符串,质心之间用tab分割 * @param path * @return * @throws IOException */ public String loadInitCenter(Path path) throws IOException { StringBuffer sb = new StringBuffer(); Configuration conf = new Configuration(); FileSystem hdfs = FileSystem.get(conf); FSDataInputStream dis = hdfs.open(path); LineReader in = new LineReader(dis, conf); Text line = new Text(); while(in.readLine(line) > 0) { sb.append(line.toString().trim()); sb.append("\t"); } return sb.toString().trim(); } /** * 从每次迭代的质心文件中读取质心,并返回字符串 * @param path * @return * @throws IOException */ public String loadCenter(Path path) throws IOException { StringBuffer sb = new StringBuffer(); Configuration conf = new Configuration(); FileSystem hdfs = FileSystem.get(conf); FileStatus[] files = hdfs.listStatus(path); for(int i = 0; i < files.length; i++) { Path filePath = files[i].getPath(); if(!filePath.getName().contains("part")) continue; FSDataInputStream dis = hdfs.open(filePath); LineReader in = new LineReader(dis, conf); Text line = new Text(); while(in.readLine(line) > 0) { sb.append(line.toString().trim()); sb.append("\t"); } } return sb.toString().trim(); } }
KmeansMR类
public class KmeansMR { private static String FLAG = "KCLUSTER"; public static class TokenizerMapper extends Mapper<Object, Text, Text, Text>{ double[][] centers = new double[Center.k][]; String[] centerstrArray = null; @Override public void setup(Context context) { //将放在context中的聚类中心转换为数组的形式,方便使用 String kmeansS = context.getConfiguration().get(FLAG); centerstrArray = kmeansS.split("\t"); for(int i = 0; i < centerstrArray.length; i++) { String[] segs = centerstrArray[i].split(","); centers[i] = new double[segs.length]; for(int j = 0; j < segs.length; j++) { centers[i][j] = Double.parseDouble(segs[j]); } } } public void map(Object key, Text value, Context context ) throws IOException, InterruptedException { String line = value.toString(); String[] segs = line.split(","); double[] sample = new double[segs.length]; for(int i = 0; i < segs.length; i++) { sample[i] = Float.parseFloat(segs[i]); } //求得距离最近的质心 double min = Double.MAX_VALUE; int index = 0; for(int i = 0; i < centers.length; i++) { double dis = distance(centers[i], sample); if(dis < min) { min = dis; index = i; } } context.write(new Text(centerstrArray[index]), new Text(line)); } } public static class IntSumReducer extends Reducer<Text,Text,NullWritable,Text> { Counter counter = null; public void reduce(Text key, Iterable<Text> values, Context context ) throws IOException, InterruptedException { double[] sum = new double[Center.k]; int size = 0; //计算对应维度上值的加和,存放在sum数组中 for(Text text : values) { String[] segs = text.toString().split(","); for(int i = 0; i < segs.length; i++) { sum[i] += Double.parseDouble(segs[i]); } size ++; } //求sum数组中每个维度的平均值,也就是新的质心 StringBuffer sb = new StringBuffer(); for(int i = 0; i < sum.length; i++) { sum[i] /= size; sb.append(sum[i]); sb.append(","); } /**判断新的质心跟老的质心是否是一样的*/ boolean flag = true; String[] centerStrArray = key.toString().split(","); for(int i = 0; i < centerStrArray.length; i++) { if(Math.abs(Double.parseDouble(centerStrArray[i]) - sum[i]) > 0.00000000001) { flag = false; break; } } //如果新的质心跟老的质心是一样的,那么相应的计数器加1 if(flag) { counter = context.getCounter("myCounter", "kmenasCounter"); counter.increment(1l); } context.write(null, new Text(sb.toString())); } } public static void main(String[] args) throws Exception { Path kMeansPath = new Path("/dsap/middata/kmeans/kMeans"); //初始的质心文件 Path samplePath = new Path("/dsap/middata/kmeans/sample"); //样本文件 //加载聚类中心文件 Center center = new Center(); String centerString = center.loadInitCenter(kMeansPath); int index = 0; //迭代的次数 while(index < 5) { Configuration conf = new Configuration(); conf.set(FLAG, centerString); //将聚类中心的字符串放到configuration中 kMeansPath = new Path("/dsap/middata/kmeans/kMeans" + index); //本次迭代的输出路径,也是下一次质心的读取路径 /**判断输出路径是否存在,如果存在,则删除*/ FileSystem hdfs = FileSystem.get(conf); if(hdfs.exists(kMeansPath)) hdfs.delete(kMeansPath); Job job = new Job(conf, "kmeans" + index); job.setJarByClass(KmeansMR.class); job.setMapperClass(TokenizerMapper.class); job.setReducerClass(IntSumReducer.class); job.setOutputKeyClass(NullWritable.class); job.setOutputValueClass(Text.class); job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(Text.class); FileInputFormat.addInputPath(job, samplePath); FileOutputFormat.setOutputPath(job, kMeansPath); job.waitForCompletion(true); /**获取自定义counter的大小,如果等于质心的大小,说明质心已经不会发生变化了,则程序停止迭代*/ long counter = job.getCounters().getGroup("myCounter").findCounter("kmenasCounter").getValue(); if(counter == Center.k) System.exit(0); /**重新加载质心*/ center = new Center(); centerString = center.loadCenter(kMeansPath); index ++; } System.exit(0); } public static double distance(double[] a, double[] b) { if(a == null || b == null || a.length != b.length) return Double.MAX_VALUE; double dis = 0; for(int i = 0; i < a.length; i++) { dis += Math.pow(a[i] - b[i], 2); } return Math.sqrt(dis); } }
5. 结果
产生了两个文件夹,分别是第一次、第二次迭代后的聚类中心
最后的聚类中心的内容如下
hadoop下实现kmeans算法——一个mapreduce的实现方法