我正在尝试计算pointwise mutual information(PMI)。
我在这里分别为p(x,y)和p(x)定义了两个RDD:
pii: RDD[((String, String), Double)]
pi: RDD[(String, Double)]
我正在编写的用于从RDD的
pii
和pi
计算PMI的任何代码都不是很漂亮。我的方法是首先对RDD的pii
进行展平,并在对元组元素进行按摩的同时与pi
进行两次连接。val pmi = pii.map(x => (x._1._1, (x._1._2, x._1, x._2)))
.join(pi).values
.map(x => (x._1._1, (x._1._2, x._1._3, x._2)))
.join(pi).values
.map(x => (x._1._1, computePMI(x._1._2, x._1._3, x._2)))
// pmi: org.apache.spark.rdd.RDD[((String, String), Double)]
...
def computePMI(pab: Double, pa: Double, pb: Double) = {
// handle boundary conditions, etc
log(pab) - log(pa) - log(pb)
}
显然,这很糟糕。是否有更好的(惯用的)方法来做到这一点?
注意:我可以通过将日志问题存储在
pi
和pii
中来优化日志,但是选择以这种方式编写以使问题更清楚。 最佳答案
使用broadcast
将是一个解决方案。
val bcPi = pi.context.broadcast(pi.collectAsMap())
val pmi = pii.map {
case ((x, y), pxy) =>
(x, y) -> computePMI(pxy, bcPi.value.get(x).get, bcPi.value.get(y).get)
}
假设:
pi
在x
中具有所有y
和pii
。关于apache-spark - 在Spark中计算点向互信息,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/29620297/