- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
这个问题是在我的面试中被问到的。我想知道解决方案。
给一个文本文件,每行一个单词,文件大小超过 1TB。任务是仅打印文件中频率为 k 的词。
我没有完全回答这个问题。但我想,我以正确的方式开始了它。您使用了散列技术并且代码至少需要 O(n) 时间(因为它必须读取整个文件)
任何人都可以回答我谁可以有效地完成这项工作。
最佳答案
一般来说,这类问题是“Top K”或“选择”算法的主题。这是一篇关于一般主题的维基百科文章:Wikipedia: Selection algorithm .它似乎在“大数据”系统中普遍流行,并且可能会通过上一代专注于排序算法的面试,而那时每个认真的候选人都已经记住了快速排序和堆排序代码。
作为一个实际问题,这只是关于构建“大数据”(Hadoop 和其他 Map/Reduce 系统)的教科书问题。如果数据分布在 N 个节点上,那么每个节点都可以计算单独的部分直方图(将它们的直方图函数映射到整个数据集)并合并它们的结果(将它们的小计减少为总计)。
对于面试场景,这是一个很受欢迎的问题,因为没有简单的技巧。您可以列举学术文献中已发表的几种方法,也可以从头解决问题。
如果“词汇量”相对较小(例如,典型的英语词典中只有几万个单词——所以 25 万个单词的词汇量相当广泛)。在那种情况下,我们希望计数可以适合典型现代硬件的 RAM。如果这个数据集中的“词”更广泛——超过数千万或数亿——那么这种方法就不再可行了。
可以想象,人们可以尝试一种自适应或统计方法。如果我们知道没有任何单个“单词”的主要集群......数据集的任何统计显着样本与任何其他样本大致相似......那么我们可以构建直方图并丢弃那些“单词”(和他们的数量),这比其他的要少得多。如果数据仅以流的形式呈现,并且我们没有得到任何有关术语分布的硬性保证,那么这不是一种可行的方法。但是,如果我们在某个随机访问文件系统中拥有数据,那么我们可能会稀疏随机地对数据集进行采样,以构建一个很有可能的前 K * M 集合(其中 M 是我们所需的任意倍数K 个元素,使其全部适合 RAM)。
散列可以帮助我们找到每个单词的计数器,但如果我们试图只保留散列的计数而不将“单词”本身保留在数据结构中,我们必须考虑发生冲突的可能性。总的来说,我认为堆会更好(可能包括将内存堆底部的东西放到存储堆或 trie 中)。
我之前说“自适应”是因为可以使用缓存(最终是统计建模)将当前最频繁的“单词”保留在 RAM 中,并将最不频繁的“单词”混洗到存储中(以防止某些退化的数据集,这些数据集最初是频繁出现的“单词”让位于一些最初不常见的单词,随着人们对数据集的深入挖掘,这些单词变得更加频繁。
虽然对这些考虑因素的对话探索在某些采访中可能会很有效,但我建议您熟悉我引用的维基百科文章的各个部分,这样您就可以勾勒出伪代码至少一个或其中两个,并表明您确实具有该 Material 的一些学术背景。
绝对不要忽视在提出“Top K”类问题的采访中讨论分布式处理。即使只是为了澄清所提出问题的局限性,并承认此类问题一直是现代“大数据”分布式处理系统的驱动力,也要这样做。
还有一个关于同一主题的问题:StackOverflow: The Most Efficient Way To Find Top K Frequent Words In A Big Word Sequence .
关于algorithm - 如何从超过 1TB 的数据中打印频率为 k 的词?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/15848322/
我有一个包含 34 个变量和大约 25,000 个观测值的数据集。每个观察都涉及一个特定事件。它的格式如下: no id date .... 1 363 006
我已将 R 连接到 Twitter 并使用 R 中的 searchTwitter 函数进行抓取,并清除标点符号、小写字母等结果数据。现在我正在尝试执行以下操作: 计算自 2015 年 1 月 至 20
我正在研究项目,需要可视化频谱分析以设置一些精确参数。现在,我将垃圾箱转换为屏幕空间,因为在线性空间中,较低频率的幅度被压缩在一起。这是我在C++中的代码: float windowSize = 64
我正在尝试使用MATLAB导入WAV文件并创建如下所示的图表类型。我基本上是在尝试获取频率信息并根据分贝对其进行绘制。这是我正在使用的代码,但似乎无法正确提取频率信息: [x fs]=wavread(
我有一个 GUI,可以计算字符串中第一个字母的出现次数。我希望它以列格式计算所有字母,例如: 这是我到目前为止所拥有的: import java.awt.BorderLayout; import ja
我有一个由许多变量组成的全国调查,就像这个(为了简单起见,我省略了一些变量): year id y.b sex income married pens weight 2002
我被要求报告我们客户的联系频率,即每周、每月、每季度或每年看到多少客户。 当在论坛中讨论“频率”时,它们通常是指某个值在表中存在的次数。 我可以获得客户的联系人数量:- select A.cl
我正在尝试制作一款游戏,当麦克风发出足够响亮的声音时,我的角色会射击(在 Unity 中)。但是我不知道如何开始。 感谢您的帮助! 最佳答案 您可以通过使用 AudioSource.GetOutput
尝试计算字符数并改进我的代码,我做了一些更改,而不是使用 while 循环。好奇是否有人对我如何改进我的代码以使其更专业且更便宜有任何建议? #include int countingCharact
我正在创建一个 MySQL 数据库,其中包含大量带有时间戳的条目。这些条目将附加到特定用户和另一个索引(例如博客作者和他的几个网站)。计算用户/全局每日条目图表的最佳方法是什么。 我的两种方法是使用
我创建了一项调查并将其发送出去。该调查要求用户提供电子邮件,然后要求他们从包含 8 个不同选项的下拉菜单中选择要吃哪顿饭。有些人使用同一封电子邮件多次填写调查,但食物选择不同。 我有一个如下所示的 M
我有一个 MySQL 数据库: Date Customer_ID 我怎样才能把它变成: Customer_ID | Count_Visits_Past_Week | Count_Visits_
对于非常大的数据集,如何使用 gnuplot 仅在第一个和最后一个数据点的 x 轴上放置标记/标签? 最佳答案 在 gnuplot 4.6 及更高版本中,您可以使用命令 stats 'data.dat
我正在寻找一种方法来为具有共同词根/含义的单个词生成数值概率值。 用户将使用“舞者”、“跳舞”、“跳舞”等词生成内容。 如果“dancer”被提交了 30 次,跳舞了 5 次,我只需要一个值“danc
给定一个包含如下内容的数据集: [2, 3, 4, 5, 6, 7, 8, 9, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 65, 75, 85, 86, 87,
我想将声音的音高绘制成图表。 目前我可以绘制幅度。下图是由 getUnscaledAmplitude() 返回的数据创建的: AudioInputStream audioInputStream = A
在 Javascript 中,我试图获取一个初始的数值数组并计算其中的元素。理想情况下,结果将是两个新数组,第一个指定每个唯一元素,第二个包含每个元素出现的次数。不过,我愿意接受有关输出格式的建议。
我正在编写一个多线程OpenMPI应用程序,使用来自多个线程的MPI_Isend和MPI_Irecv在InfiniBand RDMA的各个列之间每秒交换数百条消息。 传输量约为400-800KByte
这个站点上有很多问题,询问如何在给定频率下创建简单的正弦波。我想做的是获取阵列或列表或任何频率,然后连续连续播放它们(而不是和弦),听起来有点像旧PC扬声器。我尝试使用Console.Beep,但是它
我使用我的App捕获声音。假设此声音是正弦1 KHz声音,并且存在背景声音。如何识别此1 KHz声音出现在声音上? 我的意思是,我可以想象如何在图像中找到元素,例如,如果您要在图像上寻找黄色正方形,那
我是一名优秀的程序员,十分优秀!