申请专栏作者
投稿发布
您的当前位置:主页 > yabo亚博体育下载 > 正文

面试系列:十个海量yabo88滚球处理方法大总结

来源: 时间:2019-08-21
请点击下面的广告后浏览!

本文将简单总结下一些处理海量yabo88滚球问题的常见方法。当然这些方法可能并不能完全覆盖所有的问题,但是这样的一些方法也基本可以处理绝大多数遇到的问题。下面的一些问题基本直接来源于公司的面试笔试题目,方法不一定最优,如果你有更好的处理方法,欢迎讨论。 可思yabo88滚球-人工智能资讯平台sykv.com

?

可思yabo88滚球-AI,sykv.com智能驾驶,人脸识别,区块链,大yabo88滚球

一、Bloom filter

可思yabo88滚球-AI,sykv.com智能驾驶,人脸识别,区块链,大yabo88滚球

适用范围:可以用来实现yabo88滚球字典,进行yabo88滚球的判重,或者集合求交集 可思yabo88滚球-yabo88滚球挖掘,智慧医疗,机器视觉,机器人sykv.com

基本原理及要点:

可思yabo88滚球-yabo88滚球挖掘,智慧医疗,机器视觉,机器人sykv.com

对于原理来说很简单,位数组+k个独立hash函数。将 hash函数对应的值的位数组置1,查找时如果发现所有hash函数对应位都是1说明存在,很明显这个过程并不保证查找的结果是100%正确的。同时也不 支持删除一个已经插入的关键字,因为该关键字对应的位会牵动到其他的关键字。所以一个简单的改进就是 counting Bloom filter,用一个counter数组代替位数组,就可以支持删除了。

可思yabo88滚球sykv.com

还有一个比较重要的问题,如何根据输入元素个数n,确定位数组m的大小及hash函数 个数。当hash函数个数k=(ln2)(m/n)时错误率最小。在错误率不大于E的情况下,m至少要等于nlg(1/E)才能表示任意n个元素的集 合。但m还应该更大些,因为还要保证bit数组里至少一半为0,则m应该>=nlg(1/E)*lge 大概就是nlg(1/E)1.44倍(lg表示以2为底的对数)。 可思yabo88滚球-AI,sykv.com人工智能,深度学习,机器学习,神经网络

举个例子我们假设错误率为0.01,则此时m应大概是n的13倍。这样k大概是8个。 可思yabo88滚球-yabo88滚球挖掘,智慧医疗,机器视觉,机器人sykv.com

注意这里m与n的单位不同,m是bit为单位,而n则是以元素个数为单位(准确的说是不同元素的个数)。通常单个元素的长度都是有很多bit的。所以使用bloom filter内存上通常都是节省的。

本文来自可思yabo88滚球(sykv.com),转载请联系本站及注明出处

扩展: 可思yabo88滚球-人工智能资讯平台sykv.com

Bloom filter将集合中的元素映射到位数组中,用k(k为哈希函数个数)个映射位是否全1表示元素在不在这个集合中。Counting bloom filter(CBF)将位数组中的每一位扩展为一个counter,从而支持了元素的删除操作。Spectral Bloom Filter(SBF)将其与集合元素的出现次数关联。SBF采用counter中的最小值来近似表示元素的出现频率。

可思yabo88滚球-yabo88滚球挖掘,智慧医疗,机器视觉,机器人sykv.com

问题实例:给你A,B两个文件,各存放50亿条URL,每条URL占用64字节,内存限制是4G,让你找出A,B文件共同的URL。如果是三个乃至n个文件呢?

可思yabo88滚球sykv.com,sykv.cn

根据这个问题我们来计算下内存的占用,4G=2^32大概是40亿*8大概是340 亿,n=50亿,如果按出错率0.01算需要的大概是650亿个bit。现在可用的是340亿,相差并不多,这样可能会使出错率上升些。另外如果这些 urlip是一一对应的,就可以转换成ip,则大大简单了。 可思yabo88滚球sykv.com

二、Hashing

可思yabo88滚球sykv.com

适用范围:快速查找,删除的基本yabo88滚球结构,通常需要总yabo88滚球量可以放入内存

可思yabo88滚球-人工智能资讯平台sykv.com

基本原理及要点: 内容来自可思yabo88滚球sykv.com

hash函数选择,针对字符串,整数,排列,具体相应的hash方法。

可思yabo88滚球sykv.com,sykv.cn

碰撞处理,一种是open hashing,也称为拉链法;另一种就是closed hashing,也称开地址法,opened addressing。 本文来自可思yabo88滚球(sykv.com),转载请联系本站及注明出处

扩展: 可思yabo88滚球sykv.com

d-left hashing中的d是多个的意思,我们先简化这个问题,看一看2-left hashing。2-left hashing指的是将一个哈希表分成长度相等的两半,分别叫做T1和T2,给T1和T2分别配备一个哈希函数,h1和h2。在存储一个新的key时,同 时用两个哈希函数进行计算,得出两个地址h1[key]和h2[key]。这时需要检查T1中的h1[key]位置和T2中的h2[key]位置,哪一个 位置已经存储的(有碰撞的)key比较多,然后将新key存储在负载少的位置。如果两边一样多,比如两个位置都为空或者都存储了一个key,就把新key 存储在左边的T1子表中,2-left也由此而来。在查找一个key时,必须进行两次hash,同时查找两个位置。 本文来自可思yabo88滚球(sykv.com),转载请联系本站及注明出处

问题实例: 可思yabo88滚球-AI,sykv.com智能驾驶,人脸识别,区块链,大yabo88滚球

海量日志yabo88滚球,提取出某日访问百度次数最多的那个IP。 可思yabo88滚球sykv.com,sykv.cn

IP的数目还是有限的,最多2^32个,所以可以考虑使用hash将ip直接存入内存,然后进行统计。

可思yabo88滚球-yabo88滚球挖掘,智慧医疗,机器视觉,机器人sykv.com

三、bit-map 可思yabo88滚球-人工智能资讯平台sykv.com

适用范围:可进行yabo88滚球的快速查找,判重,删除,一般来说yabo88滚球范围是int的10倍以下 可思yabo88滚球sykv.com,sykv.cn

基本原理及要点:使用bit数组来表示某些元素是否存在,比如8位电话号码 可思yabo88滚球sykv.com,sykv.cn

扩展:bloom filter可以看做是对bit-map的扩展 本文来自可思yabo88滚球(sykv.com),转载请联系本站及注明出处

问题实例:

可思yabo88滚球sykv.com

已知某个文件内包含一些电话号码,每个号码为8位数字,统计不同号码的个数。8位最多99 999 999,大概需要99m个bit,大概10几m字节的内存即可。

可思yabo88滚球-人工智能资讯平台sykv.com

2.5亿个整数中找出不重复的整数的个数,内存空间不足以容纳这2.5亿个整数。 可思yabo88滚球-AI,sykv.com人工智能,深度学习,机器学习,神经网络

将bit-map扩展一下,用2bit表示一个数即可,0表示未出现,1表示出现一次,2表示出现2次及以上。或者我们不用2bit来进行表示,我们用两个bit-map即可模拟实现这个2bit-map。

可思yabo88滚球-人工智能资讯平台sykv.com

四、堆

内容来自可思yabo88滚球sykv.com

适用范围:海量yabo88滚球前n大,并且n比较小,堆可以放入内存 可思yabo88滚球sykv.com,sykv.cn

基本原理及要点:最大堆求前n小,最小堆求前n大。方法,比如求前n小,我们比较当前 元素与最大堆里的最大元素,如果它小于最大元素,则应该替换那个最大元素。这样最后得到的n个元素就是最小的n个。适合大yabo88滚球量,求前n小,n的大小比较 小的情况,这样可以扫描一遍即可得到所有的前n元素,效率很高。

可思yabo88滚球-人工智能资讯平台sykv.com

扩展:双堆,一个最大堆与一个最小堆结合,可以用来维护中位数。

可思yabo88滚球sykv.com,sykv.cn

问题实例:

本文来自可思yabo88滚球(sykv.com),转载请联系本站及注明出处

100w个数中找最大的前100个数。

可思yabo88滚球sykv.com,sykv.cn

用一个100个元素大小的最小堆即可。 内容来自可思yabo88滚球sykv.com

五、双层桶划分

可思yabo88滚球sykv.com,sykv.cn

其实本质上就是【分而治之】的思想,重在“分”的技巧上!

本文来自可思yabo88滚球(sykv.com),转载请联系本站及注明出处

适用范围:第k大,中位数,不重复或重复的数字 内容来自可思yabo88滚球sykv.com

基本原理及要点:因为元素范围很大,不能利用直接寻址表,所以通过多次划分,逐步确定范围,然后最后在一个可以接受的范围内进行。可以通过多次缩小,双层只是一个例子。

本文来自可思yabo88滚球(sykv.com),转载请联系本站及注明出处

扩展:

可思yabo88滚球-人工智能资讯平台sykv.com

问题实例: 可思yabo88滚球sykv.com

1)2.5亿个整数中找出不重复的整数的个数,内存空间不足以容纳这2.5亿个整数。 可思yabo88滚球sykv.com

有点像鸽巢原理,整数个数为2^32,也就是,我们可以将这2^32个数,划分为2^8个区域(比如用单个文件代表一个区域),然后将yabo88滚球分离到不同的区域,然后不同的区域在利用bitmap就可以直接解决了。也就是说只要有足够的磁盘空间,就可以很方便的解决。 可思yabo88滚球-AI,sykv.com智能驾驶,人脸识别,区块链,大yabo88滚球

2)5亿个int找它们的中位数。 内容来自可思yabo88滚球sykv.com

这个例子比上面那个更明显。首先我们 将int划分为2^16个区域,然后读取yabo88滚球统计落到各个区域里的数的个数,之后我们根据统计结果就可以判断中位数落到那个区域,同时知道这个区域中的第 几大数刚好是中位数。然后第二次扫描我们只统计落在这个区域中的那些数就可以了。

可思yabo88滚球-AI,sykv.com人工智能,深度学习,机器学习,神经网络

实际上,如果不是int是int64,我们可以经过3次这样的划分即可降低到可以接受 的程度。即可以先将int64分成2^24个区域,然后确定区域的第几大数,在将该区域分成2^20个子区域,然后确定是子区域的第几大数,然后子区域里 的数的个数只有2^20,就可以直接利用direct addr table进行统计了。 可思yabo88滚球-AI,sykv.com智能驾驶,人脸识别,区块链,大yabo88滚球

六、yabo88滚球库索引 可思yabo88滚球-AI,sykv.com智能驾驶,人脸识别,区块链,大yabo88滚球

适用范围:大yabo88滚球量的增删改查

可思yabo88滚球sykv.com,sykv.cn

基本原理及要点:利用yabo88滚球的设计实现方法,对海量yabo88滚球的增删改查进行处理。 可思yabo88滚球sykv.com

七、倒排索引(Inverted index)

内容来自可思yabo88滚球sykv.com

适用范围:搜索引擎,关键字查询 可思yabo88滚球sykv.com

基本原理及要点:为何叫倒排索引?一种索引方法,被用来存储在全文搜索下某个单词在一个文档或者一组文档中的存储位置的映射。

可思yabo88滚球-yabo88滚球挖掘,智慧医疗,机器视觉,机器人sykv.com

以英文为例,下面是要被索引的文本:

可思yabo88滚球-yabo88滚球挖掘,智慧医疗,机器视觉,机器人sykv.com

可思yabo88滚球-yabo88滚球挖掘,智慧医疗,机器视觉,机器人sykv.com

我们就能得到下面的反向文件索引:

可思yabo88滚球sykv.com

可思yabo88滚球sykv.com,sykv.cn

检索的条件”what”,”is”和”it”将对应集合的交集。 可思yabo88滚球sykv.com,sykv.cn

正向索引开发出来用来存储每个文档的单词的列表。正向索引的查询往往满足每个文档有序 频繁的全文查询和每个单词在校验文档中的验证这样的查询。在正向索引中,文档占据了中心的位置,每个文档指向了一个它所包含的索引项的序列。也就是说文档 指向了它包含的那些单词,而反向索引则是单词指向了包含它的文档,很容易看到这个反向的关系。

内容来自可思yabo88滚球sykv.com

扩展: 可思yabo88滚球-www.sykv.cn,sykv.com

问题实例:文档检索系统,查询那些文件包含了某单词,比如常见的学术论文的关键字搜索。

可思yabo88滚球-yabo88滚球挖掘,智慧医疗,机器视觉,机器人sykv.com

八、外排序 可思yabo88滚球sykv.com

适用范围:大yabo88滚球的排序,去重 可思yabo88滚球sykv.com,sykv.cn

基本原理及要点:外排序的归并方法,置换选择败者树原理,最优归并树 可思yabo88滚球sykv.com,sykv.cn

扩展:

可思yabo88滚球-人工智能资讯平台sykv.com

问题实例: 可思yabo88滚球sykv.com

有一个1G大小的一个文件,里面每一行是一个词,词的大小不超过16个字节,内存限制大小是1M。返回频数最高的100个词。 本文来自可思yabo88滚球(sykv.com),转载请联系本站及注明出处

这个yabo88滚球具有很明显的特点,词的大小为16个字节,但是内存只有1m做hash有些不够,所以可以用来排序。内存可以当输入缓冲区使用。 可思yabo88滚球sykv.com,sykv.cn

九、trie树 可思yabo88滚球-www.sykv.cn,sykv.com

适用范围:yabo88滚球量大,重复多,但是yabo88滚球种类小可以放入内存 可思yabo88滚球sykv.com

基本原理及要点:实现方式,节点孩子的表示方式 可思yabo88滚球-AI,sykv.com人工智能,深度学习,机器学习,神经网络

扩展:压缩实现。

可思yabo88滚球sykv.com

问题实例:

可思yabo88滚球-AI,sykv.com人工智能,深度学习,机器学习,神经网络

有10个文件,每个文件1G,每个文件的每一行都存放的是用户的query,每个文件的query都可能重复。要你按照query的频度排序。 可思yabo88滚球-www.sykv.cn,sykv.com

1000万字符串,其中有些是相同的(重复),需要把重复的全部去掉,保留没有重复的字符串。请问怎么设计和实现? 可思yabo88滚球sykv.com

寻找热门查询:查询串的重复度比较高,虽然总数是1千万,但如果除去重复后,不超过3百万个,每个不超过255字节。 本文来自可思yabo88滚球(sykv.com),转载请联系本站及注明出处

十、分布式处理 mapreduce 可思yabo88滚球-AI,sykv.com智能驾驶,人脸识别,区块链,大yabo88滚球

适用范围:yabo88滚球量大,但是yabo88滚球种类小可以放入内存

内容来自可思yabo88滚球sykv.com

基本原理及要点:将yabo88滚球交给不同的机器去处理,yabo88滚球划分,结果归约。

可思yabo88滚球-AI,sykv.com人工智能,深度学习,机器学习,神经网络

扩展:

可思yabo88滚球sykv.com,sykv.cn

问题实例: 可思yabo88滚球-www.sykv.cn,sykv.com

The canonical example application of MapReduce is a process to count the appearances of each different word in a set of documents:

可思yabo88滚球-AI,sykv.com人工智能,深度学习,机器学习,神经网络

海量yabo88滚球分布在100台电脑中,想个办法高效统计出这批yabo88滚球的TOP10。 可思yabo88滚球-yabo88滚球挖掘,智慧医疗,机器视觉,机器人sykv.com

一共有N个机器,每个机器上有N个数。每个机器最多存O(N)个数并对它们操作。如何找到N^2个数的中数(median)?

可思yabo88滚球-www.sykv.cn,sykv.com

经典问题分析 可思yabo88滚球-www.sykv.cn,sykv.com

上千万or亿yabo88滚球(有重复),统计其中出现次数最多的前N个yabo88滚球,分两种情况:可一次读入内存,不可一次读入。

内容来自可思yabo88滚球sykv.com

可用思路:trie树+堆,yabo88滚球库索引,划分子集分别统计,hash,分布式计算,近似统计,外排序 本文来自可思yabo88滚球(sykv.com),转载请联系本站及注明出处

所谓的是否能一次读入内存,实际上应该指去除重复后的yabo88滚球量。如果去重后yabo88滚球可以放入 内存,我们可以为yabo88滚球建立字典,比如通过 map,hashmap,trie,然后直接进行统计即可。当然在更新每条yabo88滚球的出现次数的时候,我们可以利用一个堆来维护出现次数最多的前N个yabo88滚球,当 然这样导致维护次数增加,不如完全统计后在求前N大效率高。 本文来自可思yabo88滚球(sykv.com),转载请联系本站及注明出处

如果yabo88滚球无法放入内存。一方面我们可以考虑上面的字典方法能否被改进以适应这种情形,可以做的改变就是将字典存放到硬盘上,而不是内存,这可以参考yabo88滚球库的存储方法。 可思yabo88滚球sykv.com

当然还有更好的方法,就是可以采用分布式计算,基本上就是map-reduce过程, 首先可以根据yabo88滚球值或者把yabo88滚球hash(md5)后的值,将yabo88滚球按照范围划分到不同的机子,最好可以让yabo88滚球划分后可以一次读入内存,这样不同的机子负责处 理各种的数值范围,实际上就是map。得到结果后,各个机子只需拿出各自的出现次数最多的前N个yabo88滚球,然后汇总,选出所有的yabo88滚球中出现次数最多的前N个数 据,这实际上就是reduce过程。 可思yabo88滚球-AI,sykv.com人工智能,深度学习,机器学习,神经网络

实际上可能想直接将yabo88滚球均分到不同的机子上进行处理,这样是无法得到正确的解的。因为 一个yabo88滚球可能被均分到不同的机子上,而另一个则可能完全聚集到一个机子上,同时还可能存在具有相同数目的yabo88滚球。比如我们要找出现次数最多的前100个,我 们将1000万的yabo88滚球分布到10台机器上,找到每台出现次数最多的前 100个,归并之后这样不能保证找到真正的第100个,因为比如出现次数最多的第100个可能有1万个,但是它被分到了10台机子,这样在每台上只有1千 个,假设这些机子排名在1000个之前的那些都是单独分布在一台机子上的,比如有1001个,这样本来具有1万个的这个就会被淘汰,即使我们让每台机子选 出出现次数最多的1000个再归并,仍然会出错,因为可能存在大量个数为1001个的发生聚集。因此不能将yabo88滚球随便均分到不同机子上,而是要根据hash 后的值将它们映射到不同的机子上处理,让不同的机器处理一个数值范围。 本文来自可思yabo88滚球(sykv.com),转载请联系本站及注明出处

而外排序的方法会消耗大量的IO,效率不会很高。而上面的分布式方法,也可以用于单机版本,也就是将总的yabo88滚球根据值的范围,划分成多个不同的子文件,然后逐个处理。处理完毕之后再对这些单词的及其出现频率进行一个归并。实际上就可以利用一个外排序的归并过程。 可思yabo88滚球sykv.com,sykv.cn

另外还可以考虑近似计算,也就是我们可以通过结合自然语言属性,只将那些真正实际中出现最多的那些词作为一个字典,使得这个规模可以放入内存。

可思yabo88滚球sykv.com,sykv.cn

ok,以上有任何问题,欢迎指正。谢谢大家。本文完。 本文来自可思yabo88滚球(sykv.com),转载请联系本站及注明出处


转发量:

网友评论:

发表评论
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。
评价:
表情:
用户名: 验证码:点击我更换图片 匿名?

关于我们?? 免责声明?? 广告合作?? 版权声明?? 联系方式?? 原创投稿?? 网站地图??

Copyright?2005-2019 Sykv.com 可思yabo88滚球 版权所有 ?? ICP备案:京ICP备14056871号

人工智能资讯?? 人工智能资讯?? 人工智能资讯?? 人工智能资讯

?扫码入群
咨询反馈
扫码关注

微信公众号

返回顶部
关闭