#scala #apache-spark #apache-spark-sql
#scala #apache-spark #apache-spark-sql
Вопрос:
Мы пытаемся реализовать алгоритм Apriori в Scala с помощью Spark (вам не нужно знать алгоритм, чтобы ответить на этот вопрос).
Функция, вычисляющая наборы элементов алгоритма Apriori, является freq()
. Код правильный, но он становится медленнее после каждой итерации while
в freq()
функции in, вплоть до того, что требуется несколько секунд для выполнения перекрестного соединения в таблице с 1 строкой с самим собой.
import System.{exit, nanoTime}
import scala.collection.mutable.WrappedArray
import org.apache.spark.sql.{Column, SparkSession, DataFrame}
import org.apache.spark.sql.functions._
import spark.implicits._
object Main extends Serializable {
val s = 0.03
def loadFakeData() : DataFrame = {
var data = Seq("1 ",
"1 2 ",
"1 2",
"3",
"1 2 3 ",
"1 2 ")
.toDF("baskets_str")
.withColumn("baskets", split('baskets_str, " ").cast("array<int>"))
data
}
def combo(a1: WrappedArray[Int], a2: WrappedArray[Int]): Array[Array[Int]] = {
var a = a1.toSet
var b = a2.toSet
var res = a.diff(b).map(b _) b.diff(a).map(a _)
return res.map(_.toArray.sortWith(_ < _)).toArray
}
val comboUDF = udf[Array[Array[Int]], WrappedArray[Int], WrappedArray[Int]](combo)
def getCombinations(df: DataFrame): DataFrame = {
df.crossJoin(df.withColumnRenamed("itemsets", "itemsets_2"))
.withColumn("combinations", comboUDF(col("itemsets"), col("itemsets_2")))
.select("combinations")
.withColumnRenamed("combinations", "itemsets")
.withColumn("itemsets", explode(col("itemsets")))
.dropDuplicates()
}
def countCombinations(data : DataFrame, combinations: DataFrame) : DataFrame = {
data.crossJoin(combinations)
.where(size(array_intersect('baskets, 'itemsets)) === size('itemsets))
.groupBy("itemsets")
.count
}
def freq() {
val spark = SparkSession.builder.appName("FreqItemsets")
.master("local[*]")
.getOrCreate()
// data is a dataframe where each row contains an array of integer values
var data = loadFakeData()
val basket_count = data.count
// Itemset is a dataframe containing all possible sets of 1 element
var itemset : DataFrame = data
.select(explode('baskets))
.na.drop
.dropDuplicates()
.withColumnRenamed("col", "itemsets")
.withColumn("itemsets", array('itemsets))
var itemset_count : DataFrame = countCombinations(data, itemset).filter('count > s*basket_count)
var itemset_counts = List(itemset_count)
// We iterate creating each time itemsets of length k 1 from itemsets of length k
// pruning those that do not have enough support
var stop = (itemset_count.count == 0)
while(!stop) {
itemset = getCombinations(itemset_count.select("itemsets"))
itemset_count = countCombinations(data, itemset).filter('count > s*basket_count)
stop = (itemset_count.count == 0)
if (!stop) {
itemset_counts = itemset_counts : itemset_count
}
}
spark.stop()
}
}
Комментарии:
1. Стоит отметить, что сам алгоритм заметно неэффективен:
O(2^d)
(гдеd
— количество элементов хотя бы в одной корзине). Я давно не использовал spark, но мне интересноDataFrame
, пересчитываются ли s заново каждый раз (в этом случаеitemset
может помочь кэширование).
Ответ №1:
Поскольку Spark сохраняет за собой право регенерировать наборы данных в любое время, это может быть тем, что происходит, и в этом случае кэширование результатов дорогостоящих преобразований может привести к значительному повышению производительности.
В этом случае, на первый взгляд, это выглядит как itemset
тяжелый удар, поэтому
itemset = getCombinations(itemset_count.select("itemsets")).cache
Может принести дивиденды.
Следует также отметить, что создание списка путем добавления в цикле обычно намного медленнее ( O(n^2)
), чем его создание путем добавления. Если порядок не влияет на правильность itemset_counts
, то:
itemset_counts = itemset_count :: itemset_counts
приведет к, по крайней мере, предельному ускорению.