MapReduce Kmeans聚类算法

转载自：http://www.cnblogs.com/chaoku/p/3748456.html

这个哥们挺用心的，把这个kmeans代码注释的很好，思路相当清晰，学习了！

最近在网上查看用MapReduce实现的Kmeans算法，例子是不错，/article/9358909.html

但注释太少了，而且参数太多，如果新手学习的话不太好理解。所以自己按照个人的理解写了一个简单的例子并添加了详细的注释。

大致的步骤是：

1，Map每读取一条数据就与中心做对比，求出该条记录对应的中心，然后以中心的ID为Key，该条数据为value将数据输出。

2，利用reduce的归并功能将相同的Key归并到一起，集中与该Key对应的数据，再求出这些数据的平均值，输出平均值。

3，对比reduce求出的平均值与原来的中心，如果不相同，这将清空原中心的数据文件，将reduce的结果写到中心文件中。（中心的值存在一个HDFS的文件中）

删掉reduce的输出目录以便下次输出。

继续运行任务。

4，对比reduce求出的平均值与原来的中心，如果相同。则删掉reduce的输出目录，运行一个没有reduce的任务将中心ID与值对应输出。

4，对比reduce求出的平均值与原来的中心，如果相同。则删掉reduce的输出目录，运行一个没有reduce的任务将中心ID与值对应输出。

1 package MyKmeans;
2
3 import java.io.IOException;
4 import java.util.ArrayList;
5
6 import org.apache.hadoop.conf.Configuration;
7 import org.apache.hadoop.fs.Path;
8 import org.apache.hadoop.io.Text;
9
10 import java.util.Arrays;
11 import java.util.Iterator;
12
13 import org.apache.hadoop.io.IntWritable;
14 import org.apache.hadoop.io.LongWritable;
15 import org.apache.hadoop.mapreduce.Job;
16 import org.apache.hadoop.mapreduce.Mapper;
17 import org.apache.hadoop.mapreduce.Reducer;
18 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
19 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
20
21
22 public class MapReduce {
23
24     public static class Map extends Mapper<LongWritable, Text, IntWritable, Text>{
25
26         //中心集合
27         ArrayList<ArrayList<Double>> centers = null;
28         //用k个中心
29         int k = 0;
30
31         //读取中心
32         protected void setup(Context context) throws IOException,
33                 InterruptedException {
34             centers = Utils.getCentersFromHDFS(context.getConfiguration().get("centersPath"),false);
35             k = centers.size();
36         }
37
38
39         /**
40          * 1.每次读取一条要分类的条记录与中心做对比，归类到对应的中心
41          * 2.以中心ID为key，中心包含的记录为value输出(例如： 1 0.2 。  1为聚类中心的ID，0.2为靠近聚类中心的某个值)
42          */
43         protected void map(LongWritable key, Text value, Context context)
44                 throws IOException, InterruptedException {
45             //读取一行数据
46             ArrayList<Double> fileds = Utils.textToArray(value);
47             int sizeOfFileds = fileds.size();
48
49             double minDistance = 99999999;
50             int centerIndex = 0;
51
52             //依次取出k个中心点与当前读取的记录做计算
53             for(int i=0;i<k;i++){
54                 double currentDistance = 0;
55                 for(int j=0;j<sizeOfFileds;j++){
56                     double centerPoint = Math.abs(centers.get(i).get(j));
57                     double filed = Math.abs(fileds.get(j));
58                     currentDistance += Math.pow((centerPoint - filed) / (centerPoint + filed), 2);
59                 }
60                 //循环找出距离该记录最接近的中心点的ID
61                 if(currentDistance<minDistance){
62                     minDistance = currentDistance;
63                     centerIndex = i;
64                 }
65             }
66             //以中心点为Key 将记录原样输出
67             context.write(new IntWritable(centerIndex+1), value);
68         }
69
70     }
71
72     //利用reduce的归并功能以中心为Key将记录归并到一起
73     public static class Reduce extends Reducer<IntWritable, Text, Text, Text>{
74
75         /**
76          * 1.Key为聚类中心的ID value为该中心的记录集合
77          * 2.计数所有记录元素的平均值，求出新的中心
78          */
79         protected void reduce(IntWritable key, Iterable<Text> value,Context context)
80                 throws IOException, InterruptedException {
81             ArrayList<ArrayList<Double>> filedsList = new ArrayList<ArrayList<Double>>();
82
83             //依次读取记录集，每行为一个ArrayList<Double>
84             for(Iterator<Text> it =value.iterator();it.hasNext();){
85                 ArrayList<Double> tempList = Utils.textToArray(it.next());
86                 filedsList.add(tempList);
87             }
88
89             //计算新的中心
90             //每行的元素个数
91             int filedSize = filedsList.get(0).size();
92             double[] avg = new double[filedSize];
93             for(int i=0;i<filedSize;i++){
94                 //求没列的平均值
95                 double sum = 0;
96                 int size = filedsList.size();
97                 for(int j=0;j<size;j++){
98                     sum += filedsList.get(j).get(i);
99                 }
100                 avg[i] = sum / size;
101             }
102             context.write(new Text("") , new Text(Arrays.toString(avg).replace("[", "").replace("]", "")));
103         }
104
105     }
106
107     @SuppressWarnings("deprecation")
108     public static void run(String centerPath,String dataPath,String newCenterPath,boolean runReduce) throws IOException, ClassNotFoundException, InterruptedException{
109
110         Configuration conf = new Configuration();
111         conf.set("centersPath", centerPath);
112
113         Job job = new Job(conf, "mykmeans");
114         job.setJarByClass(MapReduce.class);
115
116         job.setMapperClass(Map.class);
117
118         job.setMapOutputKeyClass(IntWritable.class);
119         job.setMapOutputValueClass(Text.class);
120
121         if(runReduce){
122             //最后依次输出不许要reduce
123             job.setReducerClass(Reduce.class);
124             job.setOutputKeyClass(Text.class);
125             job.setOutputValueClass(Text.class);
126         }
127
128         FileInputFormat.addInputPath(job, new Path(dataPath));
129
130         FileOutputFormat.setOutputPath(job, new Path(newCenterPath));
131
132         System.out.println(job.waitForCompletion(true));
133     }
134
135     public static void main(String[] args) throws ClassNotFoundException, IOException, InterruptedException {
136         String centerPath = "hdfs://localhost:9000/input/centers.txt";
137         String dataPath = "hdfs://localhost:9000/input/wine.txt";
138         String newCenterPath = "hdfs://localhost:9000/out/kmean";
139
140         int count = 0;
141
142
143         while(true){
144             run(centerPath,dataPath,newCenterPath,true);
145             System.out.println(" 第 " + ++count + " 次计算 ");
146             if(Utils.compareCenters(centerPath,newCenterPath )){
147                 run(centerPath,dataPath,newCenterPath,false);
148                 break;
149             }
150         }
151     }
152
153 }

1 package MyKmeans;
2
3 import java.io.IOException;
4 import java.util.ArrayList;
5 import java.util.List;
6
7 import org.apache.hadoop.conf.Configuration;
8 import org.apache.hadoop.fs.FSDataInputStream;
9 import org.apache.hadoop.fs.FSDataOutputStream;
10 import org.apache.hadoop.fs.FileStatus;
11 import org.apache.hadoop.fs.FileSystem;
12 import org.apache.hadoop.fs.Path;
13 import org.apache.hadoop.io.IOUtils;
14 import org.apache.hadoop.io.Text;
15 import org.apache.hadoop.util.LineReader;
16
17 public class Utils {
18
19     //读取中心文件的数据
20     public static ArrayList<ArrayList<Double>> getCentersFromHDFS(String centersPath,boolean isDirectory) throws IOException{
21
22         ArrayList<ArrayList<Double>> result = new ArrayList<ArrayList<Double>>();
23
24         Path path = new Path(centersPath);
25
26         Configuration conf = new Configuration();
27
28         FileSystem fileSystem = path.getFileSystem(conf);
29
30         if(isDirectory){
31             FileStatus[] listFile = fileSystem.listStatus(path);
32             for (int i = 0; i < listFile.length; i++) {
33                 result.addAll(getCentersFromHDFS(listFile[i].getPath().toString(),false));
34             }
35             return result;
36         }
37
38         FSDataInputStream fsis = fileSystem.open(path);
39         LineReader lineReader = new LineReader(fsis, conf);
40
41         Text line = new Text();
42
43         while(lineReader.readLine(line) > 0){
44             ArrayList<Double> tempList = textToArray(line);
45             result.add(tempList);
46         }
47         lineReader.close();
48         return result;
49     }
50
51     //删掉文件
52     public static void deletePath(String pathStr) throws IOException{
53         Configuration conf = new Configuration();
54         Path path = new Path(pathStr);
55         FileSystem hdfs = path.getFileSystem(conf);
56         hdfs.delete(path ,true);
57     }
58
59     public static ArrayList<Double> textToArray(Text text){
60         ArrayList<Double> list = new ArrayList<Double>();
61         String[] fileds = text.toString().split(",");
62         for(int i=0;i<fileds.length;i++){
63             list.add(Double.parseDouble(fileds[i]));
64         }
65         return list;
66     }
67
68     public static boolean compareCenters(String centerPath,String newPath) throws IOException{
69
70         List<ArrayList<Double>> oldCenters = Utils.getCentersFromHDFS(centerPath,false);
71         List<ArrayList<Double>> newCenters = Utils.getCentersFromHDFS(newPath,true);
72
73         int size = oldCenters.size();
74         int fildSize = oldCenters.get(0).size();
75         double distance = 0;
76         for(int i=0;i<size;i++){
77             for(int j=0;j<fildSize;j++){
78                 double t1 = Math.abs(oldCenters.get(i).get(j));
79                 double t2 = Math.abs(newCenters.get(i).get(j));
80                 distance += Math.pow((t1 - t2) / (t1 + t2), 2);
81             }
82         }
83
84         if(distance == 0.0){
85             //删掉新的中心文件以便最后依次归类输出
86             Utils.deletePath(newPath);
87             return true;
88         }else{
89             //先清空中心文件，将新的中心文件复制到中心文件中，再删掉中心文件
90
91             Configuration conf = new Configuration();
92             Path outPath = new Path(centerPath);
93             FileSystem fileSystem = outPath.getFileSystem(conf);
94
95             FSDataOutputStream overWrite = fileSystem.create(outPath,true);
96             overWrite.writeChars("");
97             overWrite.close();
98
99
100             Path inPath = new Path(newPath);
101             FileStatus[] listFiles = fileSystem.listStatus(inPath);
102             for (int i = 0; i < listFiles.length; i++) {
103                 FSDataOutputStream out = fileSystem.create(outPath);
104                 FSDataInputStream in = fileSystem.open(listFiles[i].getPath());
105                 IOUtils.copyBytes(in, out, 4096, true);
106             }
107             //删掉新的中心文件以便第二次任务运行输出
108             Utils.deletePath(newPath);
109         }
110
111         return false;
112     }
113 }

数据集 http://archive.ics.uci.edu/ml/machine-learning-databases/wine/wine.data
运行结果可以与 /article/9358909.html的结果做对比（前提是初始的中心相同）