java 8 map reduce_java8中的map 和reduce

标签:

map

1、使用map让集合里面的数字翻倍。

List numbers = Lists.newArrayList(1,2,3,4,5);

List doubleNumbers = numbers.stream()

.map(number -> number * 2)

.collect(Collectors.toList());

doubleNumbers.stream().forEach(r->System.out.println(r));

2、使用map可以对集合的数据进行处理然后返回其他类型的集合数据。如果是一个用户类的集合则可以使用这个方法获取用户姓名的列表。

List collect = doubleNumbers.stream().map(n->”数字:”+n).collect(Collectors.toList());

reduce

3 、不提供初始值的reduce,返回值是Optional,表示可能为空,使用orElseGet可以返回一个null时的默认值

Optional sum = numbers.stream().reduce((a, b) -> a + b);

Integer orElseGet = sum.orElseGet(() -> 0);

System.out.println(orElseGet);

结果是15

4.使用初始值的reduce,因为提供了初始值,所以返回值不再是Optional

Integer sum = numbers.stream()

.reduce(0, (a, b) -> a + b);

标签:

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
贝叶斯文本分类器是一种常用的机器学习算法,可以用于将文本数据进行分类。基于JavaMap/ReduceMapReduce)框架实现贝叶斯文本分类器的设计可以分为以下几个步骤: 1. 数据预处理:首先,需要将文本数据进行预处理,包括去除停用词、标点符号、数字等非关键信息,并进行分词操作,将每个文本分割成一个个词语。 2. 计算词语频率:使用Map/Reduce框架,将每个文本的词语作为键,将出现的频率作为值进行统计Map阶段将每个文本拆分成词语,并为每个词语设置初始频率为1。Reduce阶段将相同的词语进行合并,并计算总频率。 3. 计算词语条件概率:对于每个类别,需要计算每个词语的条件概率。通过Map阶段将每个词语与它所属的类别作为键值对进行传输。Reduce阶段将相同的词语进行合并,并统计该词语在每个类别的频率。 4. 计算类别概率:通过Map/Reduce框架,将每个文本的类别作为键进行传输。Reduce阶段将相同的类别进行合并,并统计该类别在整个文本集的频率。 5. 应用贝叶斯公式:对于一个新的文本,首先将其进行预处理,并计算出每个词语在各个类别的条件概率。然后,根据贝叶斯公式,将各个词语的条件概率相乘,再乘以各个类别的概率,最终得到该文本属于每个类别的概率。根据概率大小,将文本分类到最可能的类别。 以上就是基于JavaMap/Reduce实现的贝叶斯文本分类器的设计。这种设计可以充分利用Map/Reduce框架的并行计算能力,加快计算速度,提高分类器的效率。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值