99999久久久久久亚洲,欧美人与禽猛交狂配,高清日韩av在线影院,一个人在线高清免费观看,啦啦啦在线视频免费观看www

熱線電話：13121318867

登錄
首頁精彩閱讀數(shù)據(jù)分析面試題:如何從10億查詢詞找出出現(xiàn)頻率最高的10個?
數(shù)據(jù)分析面試題:如何從10億查詢詞找出出現(xiàn)頻率最高的10個?
2015-12-28
收藏

數(shù)據(jù)分析面試題:如何從10億查詢詞找出出現(xiàn)頻率最高的10個?

1． 問題描述

在大規(guī)模數(shù)據(jù)處理中，常遇到的一類問題是，在海量數(shù)據(jù)中找出出現(xiàn)頻率最高的前K個數(shù)，或者從海量數(shù)據(jù)中找出最大的前K個數(shù)，這類問題通常稱為“top K”問題，如：在搜索引擎中，統(tǒng)計搜索最熱門的10個查詢詞；在歌曲庫中統(tǒng)計下載率最高的前10首歌等等。

2． 當前解決方案

針對top k類問題，通常比較好的方案是【分治+trie樹/hash+小頂堆】，即先將數(shù)據(jù)集按照hash方法分解成多個小數(shù)據(jù)集，然后使用trie樹或者hash統(tǒng)計每個小數(shù)據(jù)集中的query詞頻，之后用小頂堆求出每個數(shù)據(jù)集中出頻率最高的前K個數(shù)，最后在所有top K中求出最終的top K。

實際上，最優(yōu)的解決方案應該是最符合實際設計需求的方案，在實際應用中，可能有足夠大的內(nèi)存，那么直接將數(shù)據(jù)扔到內(nèi)存中一次性處理即可，也可能機器有多個核，這樣可以采用多線程處理整個數(shù)據(jù)集。

本文針對不同的應用場景，介紹了適合相應應用場景的解決方案。

3． 解決方案

3.1 單機+單核+足夠大內(nèi)存

設每個查詢詞平均占8Byte，則10億個查詢詞所需的內(nèi)存大約是10^9*8=8G內(nèi)存。如果你有這么大的內(nèi)存，直接在內(nèi)存中對查詢詞進行排序，順序遍歷找出10個出現(xiàn)頻率最大的10個即可。這種方法簡單快速，更加實用。當然，也可以先用HashMap求出每個詞出現(xiàn)的頻率，然后求出出現(xiàn)頻率最大的10個詞。

3.2 單機+多核+足夠大內(nèi)存

這時可以直接在內(nèi)存中實用hash方法將數(shù)據(jù)劃分成n個partition，每個partition交給一個線程處理，線程的處理邏輯是同3.1節(jié)類似，最后一個線程將結果歸并。

該方法存在一個瓶頸會明顯影響效率，即數(shù)據(jù)傾斜，每個線程的處理速度可能不同，快的線程需要等待慢的線程，最終的處理速度取決于慢的線程。解決方法是，將數(shù)據(jù)劃分成c*n個partition（c>1），每個線程處理完當前partition后主動取下一個partition繼續(xù)處理，直到所有數(shù)據(jù)處理完畢，最后由一個線程進行歸并。

3.3 單機+單核+受限內(nèi)存

這種情況下，需要將原數(shù)據(jù)文件切割成一個一個小文件，如，采用hash(x)%M，將原文件中的數(shù)據(jù)切割成M小文件，如果小文件仍大于內(nèi)存大小，繼續(xù)采用hash的方法對數(shù)據(jù)文件進行切割，直到每個小文件小于內(nèi)存大小，這樣，每個文件可放到內(nèi)存中處理。采用3.1節(jié)的方法依次處理每個小文件。

3.4 多機+受限內(nèi)存

這種情況下，為了合理利用多臺機器的資源，可將數(shù)據(jù)分發(fā)到多臺機器上，每臺機器采用3.3節(jié)中的策略解決本地的數(shù)據(jù)。可采用hash+socket方法進行數(shù)據(jù)分發(fā)。

從實際應用的角度考慮，3.1~3.4節(jié)的方案并不可行，因為在大規(guī)模數(shù)據(jù)處理環(huán)境下，作業(yè)效率并不是首要考慮的問題，算法的擴展性和容錯性才是首要考慮的。算法應該具有良好的擴展性，以便數(shù)據(jù)量進一步加大（隨著業(yè)務的發(fā)展，數(shù)據(jù)量加大是必然的）時，在不修改算法框架的前提下，可達到近似的線性比；算法應該具有容錯性，即當前某個文件處理失敗后，能自動將其交給另外一個線程繼續(xù)處理，而不是從頭開始處理。

Top k問題很適合采用MapReduce框架解決，用戶只需編寫一個map函數(shù)和兩個reduce 函數(shù)，然后提交到Hadoop（采用mapchain和reducechain）上即可解決該問題。對于map函數(shù)，采用hash算法，將hash值相同的數(shù)據(jù)交給同一個reduce task；對于第一個reduce函數(shù)，采用HashMap統(tǒng)計出每個詞出現(xiàn)的頻率，對于第二個reduce 函數(shù)，統(tǒng)計所有reduce task輸出數(shù)據(jù)中的top k即可。

4． 總結

Top K問題是一個非常常見的問題，公司一般不會自己寫個程序進行計算，而是提交到自己核心的數(shù)據(jù)處理平臺上計算，該平臺的計算效率可能不如直接寫程序高，但它具有良好的擴展性和容錯性，而這才是企業(yè)最看重的。

數(shù)據(jù)分析咨詢請掃描二維碼

若不方便掃碼，搜微信號：CDAshujufenxi

數(shù)據(jù)分析師資訊
更多

OK
客服在線
立即咨詢
客服在線
立即咨詢
') } function initGt() { var handler = function (captchaObj) { captchaObj.appendTo('#captcha'); captchaObj.onReady(function () { $("#wait").hide(); }).onSuccess(function(){ $('.getcheckcode').removeClass('dis'); $('.getcheckcode').trigger('click'); }); window.captchaObj = captchaObj; }; $('#captcha').show(); $.ajax({ url: "/login/gtstart?t=" + (new Date()).getTime(), // 加隨機數(shù)防止緩存 type: "get", dataType: "json", success: function (data) { $('#text').hide(); $('#wait').show(); // 調(diào)用 initGeetest 進行初始化 // 參數(shù)1：配置參數(shù) // 參數(shù)2：回調(diào)，回調(diào)的第一個參數(shù)驗證碼對象，之后可以使用它調(diào)用相應的接口 initGeetest({ // 以下 4 個配置參數(shù)為必須，不能缺少 gt: data.gt, challenge: data.challenge, offline: !data.success, // 表示用戶后臺檢測極驗服務器是否宕機 new_captcha: data.new_captcha, // 用于宕機時表示是新驗證碼的宕機 product: "float", // 產(chǎn)品形式，包括：float，popup width: "280px", https: true // 更多配置參數(shù)說明請參見：http://docs.geetest.com/install/client/web-front/ }, handler); } }); } function codeCutdown() { if(_wait == 0){ //倒計時完成 $(".getcheckcode").removeClass('dis').html("重新獲取"); }else{ $(".getcheckcode").addClass('dis').html("重新獲取("+_wait+"s)"); _wait--; setTimeout(function () { codeCutdown(); },1000); } } function inputValidate(ele,telInput) { var oInput = ele; var inputVal = oInput.val(); var oType = ele.attr('data-type'); var oEtag = $('#etag').val(); var oErr = oInput.closest('.form_box').next('.err_txt'); var empTxt = '請輸入'+oInput.attr('placeholder')+'！'; var errTxt = '請輸入正確的'+oInput.attr('placeholder')+'！'; var pattern; if(inputVal==""){ if(!telInput){ errFun(oErr,empTxt); } return false; }else { switch (oType){ case 'login_mobile': pattern = /^1[3456789]\d{9}$/; if(inputVal.length==11) { $.ajax({ url: '/login/checkmobile', type: "post", dataType: "json", data: { mobile: inputVal, etag: oEtag, page_ur: window.location.href, page_referer: document.referrer }, success: function (data) { } }); } break; case 'login_yzm': pattern = /^\d{6}$/; break; } if(oType=='login_mobile'){ } if(!!validateFun(pattern,inputVal)){ errFun(oErr,'') if(telInput){ $('.getcheckcode').removeClass('dis'); } }else { if(!telInput) { errFun(oErr, errTxt); }else { $('.getcheckcode').addClass('dis'); } return false; } } return true; } function errFun(obj,msg) { obj.html(msg); if(msg==''){ $('.login_submit').removeClass('dis'); }else { $('.login_submit').addClass('dis'); } } function validateFun(pat,val) { return pat.test(val); }