首页 > 代码库 > hadoop下实现kmeans算法——一个mapreduce的实现方法

hadoop下实现kmeans算法——一个mapreduce的实现方法

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

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