5.1 Introdution
这章主要讨论反转排序（OI）模式，可以用于某些使用MapReduce框架解决的问题。OI 模式允许我们控制送到reducer的值的顺序，某些计算需要数据是有序的。在Hadoop中，送到reducer的数据是没限定的（我怎么记得会按键排序来着），OI模式使用更简单的数据结构，占用更少的reducer内存（因为在reducer阶段没有额外的排序）。
看到这里我在想，反转排序的前提不就是有序吗，像是升序反转成降序，不然反转之后不也是无序的。那么，如果后续计算需要数据降序，直接降序送到reducer不就可以，为什么要使用OI模式。书上接下来倒是很贴心地举例来进一步理解OI模式，不过例子也是不明所以（看了几遍选择放弃），并没有回答我的疑问。还说实现关键是定义用户分割器（custom partitioner），用户分割器只关注复合键里的原始键，都是什么鬼。稍微看了一下接下来的内容，大概知道例子在干啥，可是仍然看不出来和“反序”有什么关系。于是去找了一些资料，发现并不是按字面理解的“反序”：
----引用自MapReduce 算法 - 反序模式 (Order Inversion)译者评论。
5.2 Example if Order Inversion Pattern
例子是计算N*N共现（co-occurs）矩阵的问题，N是所给输入的词汇数量，元素Mij表示单词Wi和Wj在给定上下文范围内（比如这个单词前后两个单词的范围）共同出现的总次数。不过，这个矩阵有一个缺陷，某个Mij的值很大，可能只是单词Mi或Mj在输入里出现的次数比较高，不能说明这两个单词有一定联系。所以，改进的共现矩阵不是计算绝对频数，而是相对频率，Mij表示的是单词Mj在Mi给定上下文范围内出现的概率。
5.3 MapReduce for Order Inversion Pattern
为了计算相对频率，我们需要两个序列，分别记为(w, *)和(w, wi)。举个例子来说，输入是“w1w2w3”，给定范围是前后两个单词，则对单词w1来说，序列是((w1, *), 2)，((w1, w2), 1)，((w1, w3), 1)，表示w1的共现对数及共现的单词和次数，计算相对频率就很容易了。mapper需要输出上述的序列，为了使同一个单词的序列输到同一个reducer，还要自定义用户分割器，只关注复合键里面的w部分。照旧贴上代码如下。
5.3.1 Custom Partitioner
5.3.1.1 Custom Partitioner Implementation in Hadoop
把同一个单词的序列送到同一个reducer。
5.3.2 Relative Frequency Mapper
mapper要输出上述序列。
5.3.3 Relative Frequency Reducer
5.3.4 Implementation Classes in Hadoop
跳过“5.4 Sample Run”。
导师布置的看书任务总算是告一段落，最后再来总结一下。第五章内容不多，意外地花了很多时间，最后也是大概知道在说啥的程度。主要就讲了共现矩阵的例子，计算相对频数，具体实现代码不抠。主要是软工实践第二次作业刚发出来了，栋哥说开学第一周会让我们体会到2y2s，以为第二次还有一周（真是2y2s），那还没入门的Python又要先放一边，导师的实验也是，接下来主要争取去学校之前做完第二次作业。稍微看了下作业，感觉下学期软工实践会比想象中更花时间（毕竟渣渣），估计平常晚自习的时间都得给它，其它课程得争取白天没课的碎片时间和睡前的一段时间解决，还有刷书打代码大概得安排在两次作业间隙来做。一直说会见到凌晨三四点的福大，希望只是偶尔和队友们一起体验一下，其他时候合理安排时间也可以完成任务，因为就我个人来说，熬夜时的脑子并不好用。以上。