如何在 Mahout K-means 聚类中维护数据条目 id

Question

我正在使用mahout来运行k-means聚类，并且在聚类时遇到识别数据条目的问题，例如

id      data
0       0.1 0.2 0.3 0.4
1       0.2 0.3 0.4 0.5
...     ...
100     0.2 0.4 0.4 0.5

聚类后我有100个数据条目，我需要从聚类结果中获取id以查看哪些数据条目point属于哪个簇，但是似乎没有方法来维护id。

在聚类合成控制数据的官方 mahout 示例中，只有数据输入到没有 id 的 mahout 中

28.7812 34.4632 31.3381 31.2834 28.9207 ...
...
24.8923 25.741  27.5532 32.8217 27.8789 ...

，聚类结果只有 cluster-id 和点值：

VL-539{n=38 c=[29.950, 30.459, ...
   Weight:  Point:
   1.0: [28.974, 29.026, 31.404, 27.894, 35.985...
   2.0: [24.214, 33.150, 31.521, 31.986, 29.064

但不存在 point-id，所以，任何人都可以知道如何添加在进行 Mahout 聚类时维护点 ID？非常感谢！

Answer 1

为了实现这一点，我使用 NamedVectors。

如您所知，在对数据进行任何聚类之前，必须对其进行矢量化。

这意味着您必须将数据转换为 Mahout 向量，因为这是
聚类算法处理的数据类型。

矢量化过程将取决于数据的性质，即矢量化文本与
向量化数值。

您的数据似乎很容易矢量化，因为它只有一个 ID 和 4 个数值。

您可以编写一个 Hadoop 作业来获取输入数据，例如，作为 CSV 文件，
并输出一个包含已矢量化数据的 SequenceFile。

然后，将 Mahout 聚类算法应用于此输入，并将每个向量的 ID（向量名称）保留在聚类结果中。

可以使用以下类来实现对数据进行矢量化的示例作业：

public class DenseVectorizationDriver extends Configured implements Tool{

    @Override
    public int run(String[] args) throws Exception {
        if (args.length != 2) {
            System.err.printf("Usage: %s [generic options] <input> <output>\n", getClass().getSimpleName());
            ToolRunner.printGenericCommandUsage(System.err); return -1;
        }
        Job job = new Job(getConf(), "Create Dense Vectors from CSV input");
        job.setJarByClass(DenseVectorizationDriver.class);

        FileInputFormat.addInputPath(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        job.setMapperClass(DenseVectorizationMapper.class);
        job.setReducerClass(DenseVectorizationReducer.class);

        job.setOutputKeyClass(LongWritable.class);
        job.setOutputValueClass(VectorWritable.class);

        job.setOutputFormatClass(SequenceFileOutputFormat.class);

        return job.waitForCompletion(true) ? 0 : 1;
    }
}


public class DenseVectorizationMapper extends Mapper<LongWritable, Text, LongWritable, VectorWritable>{
/*
 * This mapper class takes the input from a CSV file whose fields are separated by TAB and emits
 * the same key it receives (useless in this case) and a NamedVector as value.
 * The "name" of the NamedVector is the ID of each row.
 */
    @Override
    public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

        String line = value.toString();
        System.out.println("LINE: "+line);
        String[] lineParts = line.split("\t", -1);    
        String id = lineParts[0];

        //you should do some checks here to assure that this piece of data is correct

        Vector vector = new DenseVector(lineParts.length -1);
        for (int i = 1; i < lineParts.length -1; i++){
            String strValue = lineParts[i];
            System.out.println("VALUE: "+strValue);
            vector.set(i, Double.parseDouble(strValue));

        }

        vector =  new NamedVector(vector, id);

        context.write(key, new VectorWritable(vector));
    }
}


public class DenseVectorizationReducer extends Reducer<LongWritable, VectorWritable, LongWritable, VectorWritable>{
/*
 * This reducer simply writes the output without doing any computation.
 * Maybe it would be better to define this hadoop job without reduce phase.
 */
    @Override
    public void reduce(LongWritable key, Iterable<VectorWritable> values, Context context) throws IOException, InterruptedException{

        VectorWritable writeValue = values.iterator().next();
        context.write(key, writeValue);
    }
}

Answer 2

您的请求经常被那些本身不是从业者的程序员所忽视......不幸的是。我不知道如何做到 Mahout（到目前为止），但我从 Apache-commons-math 开始，它包括具有相同缺陷的 K-means。我对其进行了调整，以满足您的要求。你会在这里找到它：
http://code.google.com/p/noolabsimplecluster/
此外，不要忘记将数据标准化（线性）到区间 [0..1]，否则任何聚类算法都会产生垃圾！

Answer 3

kmeans 生成的 clusteredPoints 目录包含此映射。
请注意，您应该使用 -cl 选项来获取此数据。