不懂演算法的資料開發者不是一個好的演算法工程師，還記得研究生時候，導師講過的一些資料挖掘演算法，頗有興趣，但是無奈作業后接觸少了，資料工程師的鄙視鏈，模型>實時>離線數倉>ETL工程師>BI工程師（不喜勿噴哈），現在做的作業主要是離線數倉，當然前期也做過一些ETL的作業，為了職業的長遠發展，拓寬自己的技術邊界，有必要逐步深入實時和模型，所以從本篇文章開始，也是列個FLAG，深入學習實時和模型部分，

改變自己，從提升自己不擅長領域的事情開始，

1. KMeans - 演算法簡介

K-Means演算法是無監督的聚類演算法，它實作起來比較簡單，聚類效果也不錯，因此應用很廣泛，

K-means演算法，也稱為K-平均或者K-均值，一般作為掌握聚類演算法的第一個演算法，
這里的K為常數，需事先設定，通俗地說該演算法是將沒有標注的 M 個樣本通過迭代的方式聚集成K個簇，
在對樣本進行聚集的程序往往是以樣本之間的距離作為指標來劃分，

file
核心：K-means聚類演算法是一種迭代求解的聚類分析演算法，其步驟是隨機選取K個物件作為初始的聚類中心，然后計算每個物件與各個種子聚類中心之間的距離，把每個物件分配給距離它最近的聚類中心，聚類中心以及分配給它們的物件就代表一個聚類，每分配一個樣本，聚類的聚類中心會根據聚類中現有的物件被重新計算，這個程序將不斷重復直到滿足某個終止條件，終止條件可以是沒有（或最小數目）物件被重新分配給不同的聚類，沒有（或最小數目）聚類中心再發生變化，誤差平方和區域最小

2.KMeans 演算法流程

2.1 讀取檔案，準備資料，對資料進行預處理

2.2 隨機找K個點，作為初始的中心點

2.3 遍歷資料集，計算每一個點到3個中心的距離，距離那個中心點最近就屬于哪個中心點

2.4 根據新的分類計算新的中心點

2.5 使用新的中心點開始下一次回圈（繼續回圈步驟2.3）

退出回圈的條件：

1.指定回圈次數

2.所有的中心點幾乎不再移動（即中心點移動的距離總和小于我們給定的一個常熟，比如0.00001）

3. KMeans演算法優缺點

K值的選擇： k 值對最終結果的影響至關重要，而它卻必須要預先給定，給定合適的 k 值，需要先驗知識，憑空估計很困難，或者可能導致效果很差，

例外點的存在：K-means演算法在迭代的程序中使用所有點的均值作為新的質點(中心點)，如果簇中存在例外點，將導致均值偏差比較嚴重，比如一個簇中有2、4、6、8、100五個資料，那么新的質點為24，顯然這個質點離絕大多數點都比較遠；在當前情況下，使用中位數6可能比使用均值的想法更好，使用中位數的聚類方式叫做K-Mediods聚類(K中值聚類)

初值敏感：K-means演算法是初值敏感的，選擇不同的初始值可能導致不同的簇劃分規則，為了避免這種敏感性導致的最終結果例外性，可以采用初始化多套初始節點構造不同的分類規則，然后選擇最優的構造規則，針對這點后面因此衍生了：二分K-Means演算法、K-Means++演算法、K-Means||演算法、Canopy演算法等

實作簡單、移動、伸縮性良好等優點使得它成為聚類中最常用的演算法之一，

4.KMeans演算法Spark實作

4.1 資料下載和說明

鏈接：https://pan.baidu.com/s/1FmFxSrPIynO3udernLU0yQ提取碼：hell
復制這段內容后打開百度網盤手機App，操作更方便哦

鳶尾花資料集，資料集包含3類共150調資料，每類含50個資料，每條記錄含4個特征：花萼長度、花萼寬度、花瓣長度、花瓣寬度

過這4個特征，將花聚類，假設將K取值為3，看看與實際結果的差別

4.2 實作

沒有使用mlb庫，而是使用scala原生實作

package com.hoult.work

import org.apache.commons.lang3.math.NumberUtils
import org.apache.spark.SparkContext
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.SparkSession

import scala.collection.mutable.ListBuffer
import scala.math.{pow, sqrt}
import scala.util.Random

object KmeansDemo {

  def main(args: Array[String]): Unit = {

    val spark = SparkSession
      .builder()
      .master("local[*]")
      .appName(this.getClass.getCanonicalName)
      .getOrCreate()

    val sc = spark.sparkContext
    val dataset = spark.read.textFile("data/lris.csv")
      .rdd.map(_.split(",").filter(NumberUtils.isNumber _).map(_.toDouble))
      .filter(!_.isEmpty).map(_.toSeq)


    val res: RDD[(Seq[Double], Int)] = train(dataset, 3)

    res.sample(false, 0.1, 1234L)
      .map(tp => (tp._1.mkString(","), tp._2))
      .foreach(println)
  }

  // 定義一個方法 傳入的引數是 資料集、K、最大迭代次數、代價函式變化閾值
  // 其中 最大迭代次數和代價函式變化閾值是設定了默認值，可以根據需要做相應更改
  def train(data: RDD[Seq[Double]], k: Int, maxIter: Int = 40, tol: Double = 1e-4) = {

    val sc: SparkContext = data.sparkContext

    var i = 0 // 迭代次數
    var cost = 0D //初始的代價函式
    var convergence = false   //判斷收斂，即代價函式變化小于閾值tol

    // step1 :隨機選取 k個初始聚類中心
    var initk: Array[(Seq[Double], Int)] = data.takeSample(false, k, Random.nextLong()).zip(Range(0, k))

    var res: RDD[(Seq[Double], Int)] = null

    while (i < maxIter && !convergence) {

      val bcCenters = sc.broadcast(initk)

      val centers: Array[(Seq[Double], Int)] = bcCenters.value

      val clustered: RDD[(Int, (Double, Seq[Double], Int))] = data.mapPartitions(points => {

        val listBuffer = new ListBuffer[(Int, (Double, Seq[Double], Int))]()

        // 計算每個樣本點到各個聚類中心的距離
        points.foreach { point =>

          // 計算聚類id以及最小距離平方和、樣本點、1
          val cost: (Int, (Double, Seq[Double], Int)) = centers.map(ct => {

            ct._2 -> (getDistance(ct._1.toArray, point.toArray), point, 1)

          }).minBy(_._2._1)  // 將該樣本歸屬到最近的聚類中心
          listBuffer.append(cost)
        }

        listBuffer.toIterator
      })
      //
      val mpartition: Array[(Int, (Double, Seq[Double]))] = clustered
        .reduceByKey((a, b) => {
          val cost = a._1 + b._1   //代價函式
          val count = a._3 + b._3   // 每個類的樣本數累加
          val newCenters = a._2.zip(b._2).map(tp => tp._1 + tp._2)    // 新的聚類中心點集
          (cost, newCenters, count)
        })
        .map {
          case (clusterId, (costs, point, count)) =>
            clusterId -> (costs, point.map(_ / count))   // 新的聚類中心
        }
        .collect()
      val newCost = mpartition.map(_._2._1).sum   // 代價函式
      convergence =  math.abs(newCost - cost) <= tol    // 判斷收斂，即代價函式變化是否小于小于閾值tol
      // 變換新的代價函式
      cost = newCost
      // 變換初始聚類中心
      initk = mpartition.map(tp => (tp._2._2, tp._1))
      // 聚類結果 回傳樣本點以及所屬類的id
      res = clustered.map(tp=>(tp._2._2,tp._1))
      i += 1
    }
    // 回傳聚類結果
    res
  }

  def getDistance(x:Array[Double],y:Array[Double]):Double={
    sqrt(x.zip(y).map(z=>pow(z._1-z._2,2)).sum)
  }


}

完整代碼：https://github.com/hulichao/bigdata-spark/blob/master/src/main/scala/com/hoult/work/KmeansDemo.scala

結果截圖：
file
吳邪，小三爺，混跡于后臺，大資料，人工智能領域的小菜鳥，
更多請關注
file