大数据处理小结

1.从海量数据中找出中位数
题目：在一个文件中有 10G 个整数，乱序排列，要求找出中位数。内存限制为 2G。
只写出思路即可。
方案1：网上的解法都是千篇一律，方法都是将整数分段，映射都n个区间段，然后对
每个区间段计数，当curSum>5G的时候停止计数，并统计中位数所在区间的每个取值的个数
进行第二次统计，这样就得到了第5G大的数据了，这个的确是个好方法吧，算法的
时间复杂度是线性的，因为是遍历了两次数据。
方案2：采用编程之美上的一个思路，我们无法将5G的数据装入内存，那么就转入相对小的数据。
比如取k为2G，我们利用最大堆，找出第2G大的数据，然后再遍历一次，找到第4G大的数据，然后建立1G大
的堆，找到第5G大的堆，每次时间为nlogk，需要扫描[K/k]次。

2.寻找前K个词
对于海量数据“寻找前K大”，目前总结起来我想一般也就两种方案：堆排序、K选择。
a  堆排序这个没什么好说的，复杂度为O(nlogk）
b  利用快排的思想，每次我们都是从轴那个地方选择比它大的那一半数据进行查找，直到剩余元素和K大不了多少是，
利用基本排序取前K，这样复杂度为O（n+1/2*n+1/4+n+...+1/(n/k)*n）=O(2*n).和问题规模是线性关系的。
它的常数因子较堆排序更小一些。

下面是从网上看到的很多大数据处理的面试题总结的一些小技巧：
处理这方面的问题我们可能会想到的方法为：
hashmap，堆，桶（区间计数），trie树，归并，快排，bit-map,bloom Filter.例外还有些高级的方法，map-reduce,倒排索引(这个好像
和搜索引擎中关键词的查询密切相关).
下面是一个经典的例子，附有牛神的分析：
上千万or亿数据（有重复），统计其中出现次数最多的前N个数据,分两种情况：可一次读入内存，不可一次读入。
解法：
    可用思路：trie树+堆，数据库索引，划分子集分别统计，hash，分布式计算，近似统计，外排序
　　所谓的是否能一次读入内存，实际上应该指去除重复后的数据量。如果去重后数据可以放入内存，我们可以为数据建立字典，比如通过 map，hashmap，trie，然后直接进行统计即可。当然在更新每条数据的出现次数的时候，我们可以利用一个堆来维护出现次数最多的前N个数据，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。
　　如果数据无法放入内存。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，这可以参考数据库的存储方法。
　　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，首先可以根据数据值或者把数据hash(md5)后的值，将数据按照范围划分到不同的机子，最好可以让数据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个数据，然后汇总，选出所有的数据中出现次数最多的前N个数据，这实际上就是reduce过程。
　　实际上可能想直接将数据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。因为一个数据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数据。比如我们要找出现次数最多的前100个，我们将1000万的数据分布到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。因此不能将数据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。
　 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，也就是将总的数据根据值的范围，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。
　 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。
下面是一些有代表性的面试题目：
http://www.cnblogs.com/buptLizer/archive/2011/09/13/2175116.html

http://www.cnblogs.com/buptLizer/archive/2011/09/13/2175120.html