Java Mahout:读取自定义输入文件
我在玩Mahout时发现FileDataModel接受格式为的数据Java Mahout:读取自定义输入文件,java,hadoop,mahout,Java,Hadoop,Mahout,我在玩Mahout时发现FileDataModel接受格式为的数据 userId,itemId,pref(long,long,Double). String,long,double 我有一些格式的数据 userId,itemId,pref(long,long,Double). String,long,double 在Mahout上使用此数据集的最佳/最简单的方法是什么?假设您的输入适合内存,循环使用它。跟踪字典中每个字符串的ID。如果它不适合内
userId,itemId,pref(long,long,Double).
String,long,double
我有一些格式的数据
userId,itemId,pref(long,long,Double).
String,long,double
在Mahout上使用此数据集的最佳/最简单的方法是什么?假设您的输入适合内存,循环使用它。跟踪字典中每个字符串的ID。如果它不适合内存,使用sort,然后分组来完成相同的想法 在python中: 导入系统
import sys
next_id = 0
str_to_id = {}
for line in sys.stdin:
fields = line.strip().split(',')
this_id = str_to_id.get(fields[0])
if this_id is None:
next_id += 1
this_id = next_id
str_to_id[fields[0]] = this_id
fields[0] = str(this_id)
print ','.join(fields)
一种方法是创建的扩展。您需要重写该方法以使用某种解析器进行转换。正如Sean所建议的,您可以使用的实现之一 例如,假设您有一个已初始化的,您可以执行以下操作:
@Override
protected long readUserIDFromString(String stringID) {
long result = memoryIDMigrator.toLongID(stringID);
memoryIDMigrator.storeMapping(result, stringID);
return result;
}
这样,您也可以使用MemoryAdministrator进行反向映射。如果您不需要它,您可以按照实现中的方式对其进行散列(它在中)。用户Id和项目Id可以是字符串,这样可以将字符串转换为整数,并将映射(字符串,Id)保留在内存中;在推荐之后,您可以从id获取字符串。Mahout中有一个自动执行这种操作的组件,名为
IDMigrator
,但我也建议从外部将其转换为数字id。