Mahout源码K均值聚类算法分析（1）

今天开始分析KMeansDriver的源码，由于之前已经分析过KMeans算法的原理（其实是已经使用hadoop实现过了），所以在这里就不讲原理了，而且大家对这个算法的原理基本都清楚（搞数据挖掘的最清楚的应该就算这个算法了吧）。今天要分析的内容其实可以暂时完全不使用hadoop集群，即可以暂时不用开vmware了。额，废话讲了这么多，开始分析吧。

首先把下面的代码复制到java工程（这个工程是在讲canopy的时候建立的，以后的分析都是在这个工程下面的）中：

package mahout.fansy.test.kmeans;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.mahout.clustering.kmeans.KMeansDriver;
import org.apache.mahout.common.distance.ManhattanDistanceMeasure;
public class KmeansTest {
	public static void main(String[] args) throws ClassNotFoundException, IOException, InterruptedException {
		Configuration conf=new Configuration();
		conf.set("mapred.job.tracker", "hadoop:9001");
		Path input=new Path("hdfs://hadoop:9000/user/hadoop/input/test_canopy");
		Path clustersIn=new Path("hdfs://hadoop:9000/user/hadoop/output/test_canopy/clusters-0-final/part-r-00000");
		Path output =new Path("hdfs://hadoop:9000/user/hadoop/output/test_kmeans");
		ManhattanDistanceMeasure measure=new ManhattanDistanceMeasure();
		double convergenceDelta =2.0;
		int maxIterations=4;
		boolean runClustering=false;
		double clusterClassificationThreshold=0.5;
		boolean runSequential=false;
		KMeansDriver.run(conf, input, clustersIn, output, measure, convergenceDelta ,
				maxIterations, runClustering, clusterClassificationThreshold, runSequential);
	}

}

然后在KMeansDriver.run()这一行设置断点，上面的程序其实是设置一些参数，然后调用KMeansDriver的run方法进行下面的操作，点击debug，开始今天的分析之旅：

点击debug后点击F5即可进入run()方法内，其实也可以直接按着CTRL然后左键点击run看其调用方法是哪个。进入：

public static void run(Configuration conf, Path input, Path clustersIn, Path output, DistanceMeasure measure,
      double convergenceDelta, int maxIterations, boolean runClustering, double clusterClassificationThreshold,
      boolean runSequential) throws IOException, InterruptedException, ClassNotFoundException {
    // iterate until the clusters converge
    String delta = Double.toString(convergenceDelta);
    if (log.isInfoEnabled()) {
      log.info("Input: {} Clusters In: {} Out: {} Distance: {}", new Object[] {input, clustersIn, output,
          measure.getClass().getName()});
      log.info("convergence: {} max Iterations: {} num Reduce Tasks: {} Input Vectors: {}", new Object[] {
          convergenceDelta, maxIterations, VectorWritable.class.getName()});
    }
    Path clustersOut = buildClusters(conf, input, clustersIn, output, measure, maxIterations, delta, runSequential);
    if (runClustering) {
      log.info("Clustering data");
      clusterData(conf, input, clustersOut, output, measure, clusterClassificationThreshold, runSequential);
    }
  }

关于log的可以暂时直接忽略不看，那么就直接到了

Path clustersOut = buildClusters(conf, input, clustersIn, output, measure, maxIterations, delta, runSequential);

至于后面的if(runClustering)其实就是是否在最后的时候把原始数据进行分类（算法只是得到中心点向量而言），这个暂时也不理，那就看buildClusters吧。好吧，CTRL+鼠标左键，binggo，进入：

 public static Path buildClusters(Configuration conf, Path input, Path clustersIn, Path output,
      DistanceMeasure measure, int maxIterations, String delta, boolean runSequential) throws IOException,
      InterruptedException, ClassNotFoundException {  
    double convergenceDelta = Double.parseDouble(delta);// 获得输入参数
    List<Cluster> clusters = new ArrayList<Cluster>();  // 初始化中心点向量
    KMeansUtil.configureWithClusterInfo(conf, clustersIn, clusters);    //***************************重点分析1
    if (clusters.isEmpty()) {
      throw new IllegalStateException("No input clusters found in " + clustersIn + ". Check your -c argument.");
    }   
    Path priorClustersPath = new Path(output, Cluster.INITIAL_CLUSTERS_DIR);
    ClusteringPolicy policy = new KMeansClusteringPolicy(convergenceDelta);
    ClusterClassifier prior = new ClusterClassifier(clusters, policy);
    prior.writeToSeqFiles(priorClustersPath);    
    if (runSequential) {
      new ClusterIterator().iterateSeq(conf, input, priorClustersPath, output, maxIterations);
    } else {
      new ClusterIterator().iterateMR(conf, input, priorClustersPath, output, maxIterations);
    }
    return output;
  }

首先两行是初始化参数之类的，然后一看，有个KMeansUtil.configureWithClusterInfo()方法，这个是干嘛的？有ClusterIn,clusters参数，ClusterIn是最开始的中心点向量文件位置，而clusters是刚刚才初始化的中心点变量（里面还是空值呢），那会不会是把中心点向量文件中的向量读出来然后赋值给clusters变量了？CTRL+（你懂的），好吧，进入下面的代码：

public static void configureWithClusterInfo(Configuration conf, Path clusterPath, Collection<Cluster> clusters) {
    for (Writable value : new SequenceFileDirValueIterable<Writable>(clusterPath, PathType.LIST,
        PathFilters.partFilter(), conf)) {
      Class<? extends Writable> valueClass = value.getClass();
      if (valueClass.equals(ClusterWritable.class)) {
        ClusterWritable clusterWritable = (ClusterWritable) value;
        value = clusterWritable.getValue();
        valueClass = value.getClass();
      }
      log.debug("Read 1 Cluster from {}", clusterPath);     
      if (valueClass.equals(Kluster.class)) {
        // get the cluster info
        clusters.add((Kluster) value);
      } else if (valueClass.equals(Canopy.class)) {
        // get the cluster info
        Canopy canopy = (Canopy) value;
        clusters.add(new Kluster(canopy.getCenter(), canopy.getId(), canopy.getMeasure()));
      } else {
        throw new IllegalStateException("Bad value class: " + valueClass);
      }
    }
  }

首先是一个For循环，看

new SequenceFileDirValueIterable<Writable>(clusterPath, PathType.LIST,
        PathFilters.partFilter(), conf)

应该是一个序列文件的读取方法，全部读入了一个集合，不然的话for怎么采用foreach循环？然后看到了ClusterWritable类，依稀记得canopy算法最后产生的结果的value也是这个类型的吧，那么canopy最后产生的文件应该可以作为clustersIn的路径了（感觉应该是的）。再往后看valueClass等于Kluster或者Canopy？这个是什么意思？会不会是用canopy算法得到的最后结果作为clustersIn的话就是Canopy，而使用kmeas算法得到最后的结果作为clustersIn的话就是Kluster了？（这个可以写log进行验证，此为验证1，后面要验证此分析猜想）。至于clusters.add()这个就是添加中心向量到clusters变量了，这个是毋庸置疑的。所以整体上来说这个方法的作用和我们猜想是一样了。

从**************************重点分析1往下走：

Path priorClustersPath = new Path(output, Cluster.INITIAL_CLUSTERS_DIR);

这个应该和output有关，再看prior，这个单词应该是初始的意思吧（看来编写mahout源码的英文不错，额，好像写源码的母语就是english？），所以这个应该是第一次运行算法产生的输出。

 ClusteringPolicy policy = new KMeansClusteringPolicy(convergenceDelta);
    ClusterClassifier prior = new ClusterClassifier(clusters, policy);
    prior.writeToSeqFiles(priorClustersPath);

这三句的最后一句应该是把中心点又写入了一个序列文件？，那么priorClusterPath就是第一次的中心点文件，oh，My，上面猜错了。policy应该是终止迭代的条件，这个值和阈值有关，prior应该是一个分类的东东，因为Classifier（如果我英语还好的话，这个单词应该是分类器？）。

然后就直接是否要在hadoop运行还是单机运行了，这个由runSequential变量进行设置。

重点，重点，重点来啦：

new ClusterIterator().iterateMR(conf, input, priorClustersPath, output, maxIterations);

看吧，循环来了：

public void iterateMR(Configuration conf, Path inPath, Path priorPath, Path outPath, int numIterations)
      throws IOException, InterruptedException, ClassNotFoundException {
    ClusteringPolicy policy = ClusterClassifier.readPolicy(priorPath);
    Path clustersOut = null;
    int iteration = 1;
    while (iteration <= numIterations) {
      conf.set(PRIOR_PATH_KEY, priorPath.toString());    
      String jobName = "Cluster Iterator running iteration " + iteration + " over priorPath: " + priorPath;
      System.out.println(jobName);
      Job job = new Job(conf, jobName);
      job.setMapOutputKeyClass(IntWritable.class);
      job.setMapOutputValueClass(ClusterWritable.class);
      job.setOutputKeyClass(IntWritable.class);
      job.setOutputValueClass(ClusterWritable.class);     
      job.setInputFormatClass(SequenceFileInputFormat.class);
      job.setOutputFormatClass(SequenceFileOutputFormat.class);
      job.setMapperClass(CIMapper.class);
      job.setReducerClass(CIReducer.class);      
      FileInputFormat.addInputPath(job, inPath);
      clustersOut = new Path(outPath, Cluster.CLUSTERS_DIR + iteration);
      priorPath = clustersOut;
      FileOutputFormat.setOutputPath(job, clustersOut);      
      job.setJarByClass(ClusterIterator.class);
      if (!job.waitForCompletion(true)) {
        throw new InterruptedException("Cluster Iteration " + iteration + " failed processing " + priorPath);
      }
      ClusterClassifier.writePolicy(policy, clustersOut);
      FileSystem fs = FileSystem.get(outPath.toUri(), conf);
      iteration++;
      if (isConverged(clustersOut, conf, fs)) {
        break;
      }
    }
    Path finalClustersIn = new Path(outPath, Cluster.CLUSTERS_DIR + (iteration - 1) + Cluster.FINAL_ITERATION_SUFFIX);
    FileSystem.get(clustersOut.toUri(), conf).rename(clustersOut, finalClustersIn);
  }

这里不断进行循环直到不符合条件为止，这里的Mapper是 CIMapper，Reducer是CIReducer。

还有，看最后一行，重命名。我之前实现的kmeans算法应该是使用迭代的次数i来不断创建新的路径作为中心点文件，这里难道使用的是重命名？这个就要再继续分析了。

接下来怎么做？两种方式，其一，仿造sequence file ，直接调用算法进行运算，查看最后的结果，达到整体了解的目的。其二，改代码，使其可以单机运行（这里的单机不是指的直接把runSequential改为true），这样最容易分析其数据流。我也准备采用这种方式。

分享，快乐，成长

转载请注明出处：http://blog.csdn.net/fansy1990