Scala-HashMap**非foldLeft上的折叠操作示例
我对使用Scala感兴趣，因为它似乎是并行化操作的好方法。我需要设计一个利用向量乘法的机器学习算法（和许多算法一样）。我知道如何实现该算法，但我想从HashMaps中实现稀疏向量。几乎所有向量都存储为HashMaps[Int，Double]，其中向量中给定Double的索引是作为键的整数 使用Pythonish伪代码， =>{1:7，2:6，3:5，4:4} 我想定义一个点积函数使用折叠，减少，映射。。。等等，但我不想用折叠式，还原式。。。因为我希望这是潜在的平行化，因为我的向量可以达到6000+维，对于点积，顺序并不重要 我已经阅读了许多foldLeft和reduceLeft的示例，但是我还没有找到如何使用HashMap.fold或HashMap.reduce 我相当了解函数式编程，但不理解Scala中的错误消息。这是我或多或少想要的模板Scala-HashMap**非foldLeft上的折叠操作示例,scala,hashmap,reduce,fold,Scala,Hashmap,Reduce,Fold,我对使用Scala感兴趣，因为它似乎是并行化操作的好方法。我需要设计一个利用向量乘法的机器学习算法（和许多算法一样）。我知道如何实现该算法，但我想从HashMaps中实现稀疏向量。几乎所有向量都存储为HashMaps[Int，Double]，其中向量中给定Double的索引是作为键的整数 使用Pythonish伪代码， =>{1:7，2:6，3:5，4:4} 我想定义一个点积函数使用折叠，减少，映射。。。等等，但我不想用折叠式，还原式。。。因为我希望这是潜在的平行化，因为我的向量可以达到6000
object NGramAnalysis {
def main(args: Array[String]) {
val mapped = HashMap(1->1.2, 5->2.4)
println(mapped.fold( .... What goes here ... )
}
}
先谢谢你。我已经挣扎了一段时间。首先，
foldreducefoldreducefoldreducefoldfold（a`op`b）`op`c==a`op`（b`op`c）folda1 `op` a2 `op` a3 `op` ... `op` an
reducefoldval strings = Seq("a", "b", "c", "d", ...)
strings.par.fold("")(_ ++ _) // or strings.par.reduce(_ ++ _) if you know that strings is non-empty
(c1 zip c2).par.map {
case (e1, e2) => e1 * e2
}.reduce(_ + _)
*+*+c1c2HashMapzipc1.par.map {
case (k, v) => v * c2(k)
}.reduce(_ + _)
这里我们不是压缩集合，而是使用第一个映射中的所有键在第二个映射中执行查找。我只想添加一个简单的示例实现，因为@Vladimir Matveev覆盖了背景 在这里，向量在一个
HashMap0class SparseVector private (val entries: Map[Int, Double]) {
def **(vec: SparseVector) =
(entries.keySet ++ vec.entries.keySet).par
.map(index => entries(index) * vec.entries(index)).sum
//alternative suggested by @wingedsubmariner
def **(vec: SparseVector) =
(entries.keySet ++ vec.entries.keySet).par
.aggregate(0.0)((sum, index) => sum + entries(index) * vec.entries(index), (_ + _))
}
object SparseVector {
def apply(entries: HashMap[Int, Double]) =
new SparseVector(entries.withDefaultValue(0.0))
}
方法
mapsumaggregate.aggregate（0）（（sum，index）=>sum+entries（index）*vec.entries（index））（+）mapsumTraverseableOncedef aggregate[B]（z:=>B）（seqop:（B，A）=>B，combop:（B，B）=>B:B=foldLeft（z）（seqop）combopfoldLeftaggregate（）Stream.reduce（）