基于MapReduce的k-means的并行化实现

传统k-means的算法原理：

输入：k

输出：k个簇

过程：首先人为指定k个对象作为簇中心；然后计算每个对象到所有簇中心的距离，每个对象中，距离最小的簇中心为该对象的簇中心，并把该对象划分到该簇中；

           对分好的所有簇进行重新计算，得到新的簇中心 ，然后重复上述过程；直到所有簇中心不变。

分析：上述算法中，有些必须串行化实现，有些可以并行化。串行化的部分必须通过轮与轮之间的迭代实现，并行化的部分可以通过MR的每一轮实现。迭代与迭代之间属于串行的；
每一轮迭代中，都会计算所有对象与中心点之间的距离，而这些是不相关的，所以计算每个对象和中心之间的距离可以并行化实现。

基于MR的k-means算法的并行化设计：

map任务：对每个对象做相同的计算，即，计算该对象与所有中心的距离，选择距离最小者，并把该中心作为该对象所在簇的中心。
输入：所有的簇中心，key-偏移；value-对象值
输出：key-该对象的簇中心，value-该对象的其他一些信息

combine的作用：计算有相同簇中心的所有对象的距离之和，以及这些对象的数目
输入：上一轮map的输出<key,value>做过shuffle处理后的值<key,V>，V是相同簇中心的对象列表。
输出：<key,value>，key还是簇中心的index，value是对象距离之和以及对象数目的组合。
过程：初始化数组，且存放所有对象；初始化int型变量为0，用来存放对象数目。通过循环，求和且数目。

reduce作用：计算新的簇中心，并且更新
输入：<key,value>，key是簇中心index，value是上述combine输出的那些来自相同主机的value组成的列表
输出：<key,value>，key是所哟簇中心的index，value是更新后的簇中心得距离。

多次迭代，设置收敛条件即可。