Mahout源码K均值聚类算法分析（3）

之前的关于中心点文件的分析基本是对的，但是在第一篇整体分析的时候没有说如何产生中心点向量文件所以在第二篇写了如何得到，其实在mahout里面有一个自动生成中心点文件的方法，之前漏掉了。现在补上，首先编写下面的debug代码：

package mahout.fansy.test.kmeans;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.util.ToolRunner;
import org.apache.mahout.clustering.kmeans.KMeansDriver;
import org.apache.mahout.common.distance.ManhattanDistanceMeasure;
public class KmeansTest {
	/**
	 * @param args
	 * @throws Exception 
	 */
	public static void main(String[] args) throws Exception {
		test2();
	}
	
	// 间接调用run方法
	public static void test2() throws Exception{
		String[] arg={"-fs","fansyPC:9000","-jt","fansyPC:9001",
				"--input","hdfs://fansyPC:9000/user/fansy/output/kmeans-in-transform/part-r-00000",
				"--output","hdfs://fansyPC:9000/user/fansy/output/kmeans-output",
				"-dm","org.apache.mahout.common.distance.ManhattanDistanceMeasure",
				"-c","hdfs://fansyPC:9000/user/fansy/output/kmeans-center",
				"-k","2",
				"-x","4",
				"--tempDir","hdfs://fansyPC:9000/user/fansy/output/kmeans-tmp"
				};
		ToolRunner.run(new Configuration(), new KMeansDriver(),arg);
	}
}

然后进入调试模式（因为现在没有进入mapreduce模式中，所以可以直接进行调试），可以发现在KMeansDriver的95行：

clusters = RandomSeedGenerator.buildRandom(getConf(), input, clusters,
          Integer.parseInt(getOption(DefaultOptionCreator.NUM_CLUSTERS_OPTION)), measure);

这个方法即是自动根据输入文件（输入文件要求要为sequence file，可以参考 http://blog.csdn.net/fansy1990/article/details/9635575 把文本转换为需要的格式）从中选出中心点文件。进入这个方法：

public static Path buildRandom(Configuration conf,
                                 Path input,
                                 Path output,
                                 int k,
                                 DistanceMeasure measure) throws IOException {
    // delete the output directory
    FileSystem fs = FileSystem.get(output.toUri(), conf);
    HadoopUtil.delete(conf, output);
    Path outFile = new Path(output, "part-randomSeed");
    boolean newFile = fs.createNewFile(outFile);
    if (newFile) {
      Path inputPathPattern;

      if (fs.getFileStatus(input).isDir()) {
        inputPathPattern = new Path(input, "*");
      } else {
        inputPathPattern = input;
      }
      
      FileStatus[] inputFiles = fs.globStatus(inputPathPattern, PathFilters.logsCRCFilter());
      SequenceFile.Writer writer = SequenceFile.createWriter(fs, conf, outFile, Text.class, ClusterWritable.class);
      Random random = RandomUtils.getRandom();
      List<Text> chosenTexts = Lists.newArrayListWithCapacity(k);
      List<ClusterWritable> chosenClusters = Lists.newArrayListWithCapacity(k);
      int nextClusterId = 0;
      
      for (FileStatus fileStatus : inputFiles) {
        if (fileStatus.isDir()) {
          continue;
        }
        for (Pair<Writable,VectorWritable> record
             : new SequenceFileIterable<Writable,VectorWritable>(fileStatus.getPath(), true, conf)) {
          Writable key = record.getFirst();
          VectorWritable value = record.getSecond();
          Kluster newCluster = new Kluster(value.get(), nextClusterId++, measure);
          newCluster.observe(value.get(), 1);
          Text newText = new Text(key.toString());
          int currentSize = chosenTexts.size();
          if (currentSize < k) {
            chosenTexts.add(newText);
            ClusterWritable clusterWritable = new ClusterWritable();
            clusterWritable.setValue(newCluster);
            chosenClusters.add(clusterWritable);
          } else if (random.nextInt(currentSize + 1) != 0) { // with chance 1/(currentSize+1) pick new element
            int indexToRemove = random.nextInt(currentSize); // evict one chosen randomly
            chosenTexts.remove(indexToRemove);
            chosenClusters.remove(indexToRemove);
            chosenTexts.add(newText);
            ClusterWritable clusterWritable = new ClusterWritable();
            clusterWritable.setValue(newCluster);
            chosenClusters.add(clusterWritable);
          }
        }
      }

前面就是删除中心点文件（如果有的话）然后是新建中心点文件，然后从输入文件中选择K个写入该文件即可。这里说下选择K个中心点的方法：
首先把<key，value>对的输入文件读入，然后使用foreach循环便利这些输入，每次遍历一个添加到chosenClusters中，直到添加了K个到chosenCluster中，然后再循环一个输入对，判断随机[0,K+1]是否是零，如果不是则随机[0,K]中的一个数，然后在chosenClusters中去掉以这个为index的<key，value>对，然后再继续遍历下一个输入对。如此循环，直到所有的输入都遍历一次为止。其实我觉得这个把所有的输入都遍历的方法是不是不是很好？其实应该可以这样做的？ 比如，我就把前k个输入对当成中心点然后求所有这些中心点之间的距离，当他们彼此的距离都满足一个阈值的时候，我就停止循环了，否则我就继续循环，然后用这个输入替换K个中的一个看哪个被替换掉后其效果好，那就替换哪个。用这个方法应该会比上面的快而且中心点之间的相似性也达到最低。这个只是一个想法。

然后就是继续往下debug了，当运行到ClusterClassifier的writePolicy方法时：

public static void writePolicy(ClusteringPolicy policy, Path path) throws IOException {
    Path policyPath = new Path(path, POLICY_FILE_NAME);
    Configuration config = new Configuration();
    FileSystem fs = FileSystem.get(policyPath.toUri(), config);
    SequenceFile.Writer writer = new SequenceFile.Writer(fs, config, policyPath, Text.class,
        ClusteringPolicyWritable.class);
    writer.append(new Text(), new ClusteringPolicyWritable(policy));
    writer.close();
  }

这里的configuration重新定义了，这样不会有问题？我之前定义的应该是另外加上一句：conffig.set("mapred.job.tracker","fansyPC:9001")的，不然应该是找不到了，但是这里居然可以找到，并且真的写入了，这里应该要看下是咋回事了。

分享，快乐，成长

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