Hadoop 将键值数据集表示为Mahout向量

我有一个CSV中的数据集，它是一组键值对，数据集很大，值是整数和短字符串的混合体（即不是长文本，而是关键字），我想使用Mahout的聚类算法处理它

问题在于将此CSV转换为可由Mahout使用的向量。我一直在阅读“Mahout In Action”，似乎有两种矢量化选项，使用数值与Mahout的DenseVector、RandomAccessSparseVector和SequentialAccessSparseVector实现一起使用，或者使用向量空间模型对文本文档进行矢量化

我想将其矢量化的数据实际上不是一个文本文档，但由于它是一个包含许多不同键和值的庞大数据集，因此很难将其映射为数值。将此类数据矢量化以用于Mahout的最佳方式是什么

任何指点都将不胜感激

---

谢谢

您很可能需要RandomAccessSparseVector

• 不是DenseVector，因为大多数可能的键都不会被表示。你有 整数和字符串作为键的混合，因此它是一个很大的键空间
• 不是SequentialAccessSparseVector，因为似乎没有 键空间中的自然顺序会产生特定的顺序 在Mahout中运行算法时更有效的访问

您可以很容易地尝试不同的矢量表示法，以查看哪种表示法具有最佳性能