看spark示例代码如何求的PI

以前也知道蒙特卡洛投针求PI，今天安装spark，安完先要试试他自带的几个小程序看看能不能用，我主要会用python写程序，也就是pyspark所以在spark里的examples目录深处找python的文件夹，里面的pi.py就是。看了一下源码是这样的：

import sys 

from random import random 

from operator import add 

from pyspark import SparkContext 

if __name__ == "__main__": 

""" Usage: pi [partitions] """ 

sc = SparkContext(appName="PythonPi") 

partitions = int(sys.argv[1]) if len(sys.argv) > 1 else 2 

n = 100000 * partitions 

def f(_): 

x = random() * 2 - 1 

y = random() * 2 - 1 

return 1 if x ** 2 + y ** 2 < 1 else 0 

count = sc.parallelize(range(1, n + 1), partitions).map(f).reduce(add) 

print("Pi is roughly %f" % (4.0 * count / n)) sc.stop()

意思就是调用者传个参数进去也就是投针次数，传3他就投30万次，然后他要造成在一个边长为2的正方形里等概率投针的模拟。这里random()产生0~1之间的数，“*2”就是0~2之间等概率的数，再“-1”x与y就变成-1到1之间等概率的数，（x,y）就是在边长为2的正方形里均匀分布的点，正方形的内切圆面积就是PI，距原点小于1的就在园内,由“PI/4 = 园内点数/总点数”可以估计PI

跑了一下效果还是不错的，结果每次都不一样但在3.14附近，当然他用MapReduce，我也可以写一个不用分布计算的嘛，然后拿C++写了一个：

#include <iostream> #include <cmath> #include <stdlib.h> using namespace std; int main() { int n; cout<<"键入模拟投针次数:\n"; cin>>n; int in_circle_cnt=0; for(int i=0;i<=n;i++) { double x=(double(rand()%1000)/1000.0)*2-1; double y=(double(rand()%1000)/1000.0)*2-1; double dist=x*x+y*y; if(dist<=1.0) in_circle_cnt++; } cout<<"PI值约为:"<<4.0*double(in_circle_cnt)/double(n)<<endl; return 0; } 

意思是到了，效果很差模拟上亿次也不太好，而且相同输入每次都一样结果，当然了，差别就在随机函数上了，我C++里用的是C标准库的伪随机表，而python的随机函数random()要优秀的多，才能尽量造成随机且均匀分布的感觉。