优化Flink转换

Question

我有以下方法来计算DataSet值的概率：

/**
   * Compute the probabilities of each value on the given [[DataSet]]
   *
   * @param x single colum [[DataSet]]
   * @return Sequence of probabilites for each value
   */
  private[this] def probs(x: DataSet[Double]): Seq[Double] = {
        val counts = x.groupBy(_.doubleValue)
          .reduceGroup(_.size.toDouble)
          .name("X Probs")
          .collect

        val total = counts.sum

        counts.map(_ / total)
  }

问题是，当我提交使用此方法的flink作业时，由于任务TimeOut导致flink杀死了该作业。 我对只有40.000个实例和9个属性的DataSet上的每个属性执行此方法。

有什么办法可以使我的代码更有效吗？

经过几次尝试，我使其与mapPartition一起mapPartition ，该方法是InformationTheory类的一部分，该类进行一些计算以计算熵，互信息等。因此，例如， SymmetricalUncertainty的计算方法如下：

/**
   * Computes 'symmetrical uncertainty' (SU) - a symmetric mutual information measure.
   *
   * It is defined as SU(X, y) = 2 * (IG(X|Y) / (H(X) + H(Y)))
   *
   * @param xy [[DataSet]] with two features
   * @return SU value
   */
  def symmetricalUncertainty(xy: DataSet[(Double, Double)]): Double = {
    val su = xy.mapPartitionWith {
      case in ⇒
        val x = in map (_._2)
        val y = in map (_._1)

        val mu = mutualInformation(x, y)
        val Hx = entropy(x)
        val Hy = entropy(y)

        Some(2 * mu / (Hx + Hy))
    }

    su.collect.head.head
  }

这样，我可以有效地计算entropy ，互信息等。问题是，它仅在并行度为1的情况下工作，问题出在mapPartition 。

有什么方法可以与我在SymmetricalUncertainty执行的操作类似，但是可以在任何并行度下进行操作吗？

Answer 1

我终于做到了，不知道它是否是最好的解决方案，但是可以在n个并行级别上工作：

def symmetricalUncertainty(xy: DataSet[(Double, Double)]): Double = {
    val su = xy.reduceGroup { in ⇒
        val invec = in.toVector
        val x = invec map (_._2)
        val y = invec map (_._1)

        val mu = mutualInformation(x, y)
        val Hx = entropy(x)
        val Hy = entropy(y)

        2 * mu / (Hx + Hy)
    }

    su.collect.head
  } 

您可以在InformationTheory.scala中检查整个代码，并对其进行测试InformationTheorySpec.scala