如何在大型数据集中找到全局平均值？

wfypjpf4 于 2021-05-29 发布在 Hadoop

关注(0)|答案(3)|浏览(365)

我正在编写简单的mapreduce程序来查找数据（许多文本文件）中的平均值、最小值和最大值。我想使用组合器在单个Map器首先处理的数字中查找所需的内容会使它更高效。
然而，我担心的是，为了能够找到平均数、最小数或最大数，我们需要将来自所有Map器（以及所有合并器）的数据放到一个简化器中，这样我们才能找到通用平均数、最小数或最大数。如果数据集较大，这将是一个巨大的瓶颈。
我确信在hadoop中会有一些方法来处理这个问题，我可能想不出来。有人能指导我吗？我在几次采访中也被问到过这样的问题。
在运行“查找平均值”mapreduce程序时，我还面临一个问题，唯一正在运行的Map器太长时间无法完成。我也增加了Map任务的超时时间，但它仍然会卡住。然而在标准输出日志的帮助下，我发现我的Map器和组合器执行得很顺利。因此，我无法找出是什么原因导致我的mapreduce作业挂起。

hadoop mapreduce bigdata

来源：https://stackoverflow.com/questions/31578153/how-to-find-the-global-average-in-a-large-dataset

3条答案

按热度按时间

uyhoqukh1#

在reducer中，从map输出键为nullwritetable，值为（值之和，count）拆分值和count sum值和count分别查找总和除以总计数的值输出reducer的平均值。
逻辑2创建一个可写的，它可以保存count和sum，从map传递这个变量，并用一个reducer对其进行缩减

赞(0）回复(0）举报 2021-05-30

np8igboo2#

对于平均值，使用一个reducer，为所有对和要查找其平均值的值发出相同的键，例如值（没有组合器，因为平均值不是关联的，即平均值的平均值不是全局平均值）。例子：
Map器1中的值：1、2、3
Map器2中的值：5、10
Map器1的平均值为2=（1+2+3）/3。
Map器2的平均值为7.5=（5+10）/2。
平均值的平均值为4.75=（2+7.5）/2。
全球平均值为4.2=（1+2+3+5+10）/5。
要获得更详细的答案，包括使用组合器的棘手解决方案，请参阅我的幻灯片（从幻灯片7开始），其灵感来自donald miner的书“mapreduce设计模式”。
对于最小值/最大值，执行以下逻辑：
同样，您可以使用一个reducer，所有Map器始终发出相同的键，并且值是您要查找的最小值/最大值中的每一个值。
组合器（与reducer相同）接收值列表并发出局部最小值/最大值。然后，单个reducer接收局部最小值/最大值列表并发出全局最小值/最大值（最小值和最大值是关联的）。
在伪代码中：

map (key, value):
emit (1, value);

reduce(key, list<values>): //same are combiner
min = first_value;
for each value
    if value <= min
        min = value;
emit (key, min);

赞(0）回复(0）举报 2021-05-30

s5a0g9ez3#

可以在数据流上计算平均值。试着坚持以下几点：
当前平均值
元件数量
这样你就知道一个输入的数字和一批数字的权重。
以下是一些解决方案：
从整数流中查找中间值
数字流平均值

赞(0）回复(0）举报 2021-05-30