大數據計數原理1+0=1這你都不會算(八)No.60
插播一條新聞,為什麼要插播,嗯不知道可能今天心情比較好,畢竟中秋了嘛~
今天跟小夥伴們聊聊另外一個統計演算法, Roaring BitMaps。
這個改怎麼翻譯呢??咆哮的點陣圖?s?我翻譯不出來,但是小蕉頭一歪,就給它起了一個狂拽酷霸叼扎天的翻譯 -> 咆哮吧,點陣圖君們。
照例甩一波鏈接。
大數據計數原理1+0=1這你都不會算(一)No.47 <- HashSet
大數據計數原理1+0=1這你都不會算(二)No.50 <- BitMap
大數據計數原理1+0=1這你都不會算(三)No.51 <- BloomFilter
大數據計數原理1+0=1這你都不會算(四)No.52 <- B-Tree
大數據計數原理1+0=1這你都不會算(五)No.55 <- B+Tree
大數據計數原理1+0=1這你都不會算(六)No.57 <- LinearCounting(一)
大數據計數原理1+0=1這你都不會算(七)No.59 <- LinearCounting(二)
來了喔。
根據官方統計,已經有這麼多大項目在用Roaring BitMaps了,老牛逼了。
- Apache Lucene and derivative systems such as Solr and Elasticsearch,
- Metamarkets』 Druid,
- Apache Spark,
- Apache Hive,
- Apache Tez,
- Netflix Atlas,
- LinkedIn Pinot,
- OpenSearchServer,
- Cloud Torrent,
- Whoosh,
- Pilosa,
- Microsoft Visual Studio Team Services (VSTS),
- Jive Miru,
- eBay』s Apache Kylin.
那麼勤勞又聰明的你一定會問了,這是什麼東西?用來幹啥的?怎麼用的?從用途來看,Roaring BitMaps 就是一個用來進行基數統計的演算法。
用途有三隻:
第一隻當然就是基數統計啦,count之類的,可節省空間了。
第二隻呢,資料庫在執行Join的時候,要知道Join之前是多少量級,Join完又是什麼量級,再執行相應的優化策略。
第三隻呢,是作為索引存在,可以作為資料庫判斷唯一索引的唯一性。
等等。
關於這個演算法呢,也不是什麼非常難的東西,原始論文其實講得蠻詳細的了,看看原始論文一般就能看懂了。但小蕉在這裡,其實用三句話就可以把這個演算法說清楚了。
1、把n長的區間劃分為2^16個桶(n為Roaring BitMaps 的總長度),每個桶放一個Container,作為一級索引存在。
2、每個int數值k為32位的bit,我們取前16位找到對應的桶(k % 2^16),Container裡面只保存後16位 (k mod 2^16) 。若Container為BitMap,直接把第 (k mod 2^16) 位設置為1即可,若Container為Array,則用二分查找插入法,有序插入。
3、若一個Container裡面的Integer數量小於4096,就用Short類型的有序數組來存儲值。若大於4096,就用BitMap來存儲值。數據用來放稀疏的數據,BitMap用來放緊密的數據(至於為啥,請重新看BitMap的定義及使用範圍)。
實際使用的時候怎麼找到值呢?跟原來插入值一樣,因為Containers是有序的嘛,也有自己的數據範圍,所以首先用二分查找找到數據對應的Container。然後分兩種情況,如果是Container是數組,就再用一次二分查找。如果Container是BitMap,直接找到對應的位是不是1就行了。
好啦,演算法方面就這樣說完了,但是又有小朋友要問了,那這樣存儲完有什麼用呢?只需要定義三種操作,AND,OR,NOT,就可以快速進行兩個集合的操作了。
因為Container有兩種,BitMap和Array ,所以進行合併操作的時候會有三種情況。
1、Array vs Array
2、Array vs BitMap
3、BitMap vs BitMap
分別是怎麼處理呢,下面所說的操作指的你所希望的功能是AND、OR、還是NOT?選一種操作進行計算就行了。
Array vs Array ,直接用演算法merge成一個數組,再進行相應的操作即可。
Array vs BitMap,遍歷一下Array,把它的值一個一個映射到BitMap上並操作,最終統計一下BitMap即可。
BitMap vs BitMap,直接按位操作即可。
實際實現的時候,不僅僅會有Short類型的Array,拓展開可以是任何基礎數據類型的Array,功能越來越豐富了。
關於論文和Github地址,後台直接回復 Roaring 可以獲取到。
沉迷學習,日漸消瘦。大家如果有什麼健身、Java入門、大數據、機器學習入門方面的問題也可以問我,我看到會回的,有什麼想看的想聽的也可以告訴我,我會把放入我的需求池的,啊哈哈哈哈哈。
都看到這了,真愛的你,不點個贊嗎?
推薦閱讀:
※大數據計數原理1+0=1這你都不會算(六)No.57
※大數據計數原理1+0=1這你都不會算(七)No.59
※大數據計數原理1+0=1這你都不會算(二)No.50
※大數據計數原理1+0=1這你都不會算(九)No.64
※大數據計數原理1+0=1這你都不會算(四)No.52
TAG:大數據 |