Apriori算法在spark上的java实现

最新推荐文章于 2024-04-23 15:52:51 发布

shipengyy

最新推荐文章于 2024-04-23 15:52:51 发布

阅读量4.1k

点赞数

文章标签： spark apriori 算法 java 数据挖掘

本文链接：https://blog.csdn.net/shipengyy/article/details/39405281

版权

计算频繁项集是经典的数据挖掘算法，著名的啤酒和尿布现象就是频繁项集算法的典型应用。

Apriori算法是发现频繁项集的常用算法，然而spark的mklib并没有实现这一算法。

在最近的spark峰会上，南京大学计算机系博士生顾荣发表了YAFIM: 基于Spark的并行化频繁项集挖掘算法的演讲，基于他的演讲以及相关论文http://pasa-bigdata.nju.edu.cn/people/ronggu/pub/YAFIM_ParLearning.pdf，我用java在spark上实现了Apriori算法。

代码如下，其中用到了谷歌的guava，同时参照http://blog.csdn.net/gameloft9/article/details/25556681实现了一个组合算法。

共两个java文件，FIM 和 Algorithms，同时附上一组测试数据。

import com.google.common.collect.Lists;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import scala.Tuple2;

import java.io.Serializable;
import java.util.*;

public class FIM
{
	public static void calcFrequencyItem()
	{
		SparkConf conf = new SparkConf().setAppName( "fim" ).setMaster( "local" );
		JavaSparkContext context = new JavaSparkContext( conf );
		JavaRDD<String> dataset = context.textFile( "itemset.txt" );

		//计算频繁项集1
		List<Tuple2<Item, Integer>> itemsetL = dataset.flatMap( new FlatMapFunction<String, Item>()
		{
			@Override
			public Iterable<Item> call( String s ) throws Ex