注：為方便描述，下面的排序全為正序（從小到大排序）
成都創(chuàng)新互聯(lián)主打移動網(wǎng)站、成都網(wǎng)站制作、成都網(wǎng)站建設(shè)、網(wǎng)站改版、網(wǎng)絡(luò)推廣、網(wǎng)站維護(hù)、域名注冊、等互聯(lián)網(wǎng)信息服務(wù)，為各行業(yè)提供服務(wù)。在技術(shù)實(shí)力的保障下，我們?yōu)榭蛻舫兄Z穩(wěn)定，放心的服務(wù)，根據(jù)網(wǎng)站的內(nèi)容與功能再決定采用什么樣的設(shè)計(jì)。最后，要實(shí)現(xiàn)符合網(wǎng)站需求的內(nèi)容、功能與設(shè)計(jì)，我們還會規(guī)劃穩(wěn)定安全的技術(shù)方案做保障。
假設(shè)有一個(gè)數(shù)組[a,b,c,d]
冒泡排序依次比較相鄰的兩個(gè)元素，如果前面的元素大于后面的元素，則兩元素交換位置；否則，位置不變。具體步驟：
1，比較a,b這兩個(gè)元素，如果ab,則交換位置，數(shù)組變?yōu)椋篬b,a,c,d]
2，比較a,c這兩個(gè)元素，如果ac,則位置不變，數(shù)組變?yōu)椋篬b,a,c,d]
3，比較c,d這兩個(gè)元素，如果cd,則交換位置，數(shù)組變?yōu)椋篬b,a,d,c]
完成第一輪比較后，可以發(fā)現(xiàn)最大的數(shù)c已經(jīng)排（冒）在最后面了，接著再進(jìn)行第二輪比較，但第二輪比較不必比較最后一個(gè)元素了，因?yàn)樽詈笠粋€(gè)元素已經(jīng)是最大的了。
第二輪比較結(jié)束后，第二大的數(shù)也會冒到倒數(shù)第二的位置。
依次類推，再進(jìn)行第三輪，，，
就這樣最大的數(shù)一直往后排（冒），最后完成排序。所以我們稱這種排序算法為冒泡排序。
選擇排序是一種直觀的算法，每一輪會選出列中最小的值，把最小值排到前面。具體步驟如下:
插入排序步驟大致如下：
快速排序是由東尼·霍爾所發(fā)展的一種排序算法。在平均狀況下，排序 n 個(gè)項(xiàng)目要Ο(n log n)次比較。在最壞狀況下則需要Ο(n2)次比較，但這種狀況并不常見。事實(shí)上，快速排序通常明顯比其他Ο(n log n) 算法更快，因?yàn)樗膬?nèi)部循環(huán)（inner loop）可以在大部分的架構(gòu)上很有效率地被實(shí)現(xiàn)出來，且在大部分真實(shí)世界的數(shù)據(jù)，可以決定設(shè)計(jì)的選擇，減少所需時(shí)間的二次方項(xiàng)之可能性。
步驟：
從數(shù)列中挑出一個(gè)元素，稱為 “基準(zhǔn)”（pivot），
重新排序數(shù)列，所有元素比基準(zhǔn)值小的擺放在基準(zhǔn)前面，所有元素比基準(zhǔn)值大的擺在基準(zhǔn)的后面（相同的數(shù)可以到任一邊）。在這個(gè)分區(qū)退出之后，該基準(zhǔn)就處于數(shù)列的中間位置。這個(gè)稱為分區(qū)（partition）操作。
遞歸地（recursive）把小于基準(zhǔn)值元素的子數(shù)列和大于基準(zhǔn)值元素的子數(shù)列排序。
從大到小,必須有個(gè)字段比較好吧,字段是數(shù)字的話,冒泡(有個(gè)冒泡算法,不是很難,)就好,是字符串的話,可以按自然順序排列(數(shù)組元素的排序),
array_change_key_case -- 返回字符串鍵名全為小寫或大寫的數(shù)組
array_chunk -- 將一個(gè)數(shù)組分割成多個(gè)
array_combine -- 創(chuàng)建一個(gè)數(shù)組，用一個(gè)數(shù)組的值作為其鍵名，另一個(gè)數(shù)組的值作為其值
array_count_values -- 統(tǒng)計(jì)數(shù)組中所有的值出現(xiàn)的次數(shù)
array_diff_assoc -- 帶索引檢查計(jì)算數(shù)組的差集
array_diff_uassoc -- Computes the difference of arrays with additional index check which is performed by a user supplied callback function.
array_diff -- 計(jì)算數(shù)組的差集
array_fill -- 用給定的值填充數(shù)組
array_filter -- 用回調(diào)函數(shù)過濾數(shù)組中的單元
array_flip -- 交換數(shù)組中的鍵和值
array_intersect_assoc -- 帶索引檢查計(jì)算數(shù)組的交集
array_intersect -- 計(jì)算數(shù)組的交集
array_key_exists -- 檢查給定的鍵名或索引是否存在于數(shù)組中
array_keys -- 返回?cái)?shù)組中所有的鍵名
array_map -- 將回調(diào)函數(shù)作用到給定數(shù)組的單元上
array_merge_recursive -- 遞歸地合并兩個(gè)或多個(gè)數(shù)組
array_merge -- 合并兩個(gè)或多個(gè)數(shù)組
array_multisort -- 對多個(gè)數(shù)組或多維數(shù)組進(jìn)行排序
array_pad -- 用值將數(shù)組填補(bǔ)到指定長度
array_pop -- 將數(shù)組最后一個(gè)單元彈出（出棧）
array_push -- 將一個(gè)或多個(gè)單元壓入數(shù)組的末尾（入棧）
array_rand -- 從數(shù)組中隨機(jī)取出一個(gè)或多個(gè)單元
array_reduce -- 用回調(diào)函數(shù)迭代地將數(shù)組簡化為單一的值
array_reverse -- 返回一個(gè)單元順序相反的數(shù)組
array_search -- 在數(shù)組中搜索給定的值，如果成功則返回相應(yīng)的鍵名
array_shift -- 將數(shù)組開頭的單元移出數(shù)組
array_slice -- 從數(shù)組中取出一段
array_splice -- 把數(shù)組中的一部分去掉并用其它值取代
array_sum -- 計(jì)算數(shù)組中所有值的和
array_udiff_assoc -- Computes the difference of arrays with additional index check. The data is compared by using a callback function.
array_udiff_uassoc -- Computes the difference of arrays with additional index check. The data is compared by using a callback function. The index check is done by a callback function also
array_udiff -- Computes the difference of arrays by using a callback function for data comparison.
array_unique -- 移除數(shù)組中重復(fù)的值
array_unshift -- 在數(shù)組開頭插入一個(gè)或多個(gè)單元
array_values -- 返回?cái)?shù)組中所有的值
array_walk -- 對數(shù)組中的每個(gè)成員應(yīng)用用戶函數(shù)
array -- 新建一個(gè)數(shù)組
arsort -- 對數(shù)組進(jìn)行逆向排序并保持索引關(guān)系
asort -- 對數(shù)組進(jìn)行排序并保持索引關(guān)系
compact -- 建立一個(gè)數(shù)組，包括變量名和它們的值
count -- 統(tǒng)計(jì)變量中的單元數(shù)目
current -- 返回?cái)?shù)組中的當(dāng)前單元
each -- 返回?cái)?shù)組中當(dāng)前的鍵／值對并將數(shù)組指針向前移動一步
end -- 將數(shù)組的內(nèi)部指針指向最后一個(gè)單元
extract -- 從數(shù)組中將變量導(dǎo)入到當(dāng)前的符號表
in_array -- 檢查數(shù)組中是否存在某個(gè)值
key -- 從結(jié)合數(shù)組中取得鍵名
krsort -- 對數(shù)組按照鍵名逆向排序
ksort -- 對數(shù)組按照鍵名排序
list -- 把數(shù)組中的值賦給一些變量
natcasesort -- 用“自然排序”算法對數(shù)組進(jìn)行不區(qū)分大小寫字母的排序
natsort -- 用“自然排序”算法對數(shù)組排序
next -- 將數(shù)組中的內(nèi)部指針向前移動一位
pos -- 得到數(shù)組當(dāng)前的單元
prev -- 將數(shù)組的內(nèi)部指針倒回一位
range -- 建立一個(gè)包含指定范圍單元的數(shù)組
reset -- 將數(shù)組的內(nèi)部指針指向第一個(gè)單元
rsort -- 對數(shù)組逆向排序
shuffle -- 將數(shù)組打亂
sizeof -- count() 的別名
sort -- 對數(shù)組排序
uasort -- 使用用戶自定義的比較函數(shù)對數(shù)組中的值進(jìn)行排序并保持索引關(guān)聯(lián)
uksort -- 使用用戶自定義的比較函數(shù)對數(shù)組中的鍵名進(jìn)行排序
usort -- 使用用戶自定義的比較函數(shù)對數(shù)組中的值進(jìn)行排序
用非常典型的冒泡排序即可實(shí)現(xiàn)，具體實(shí)現(xiàn)思路如下列代碼所示：
?php?
//首先定義一個(gè)數(shù)組；
$arr=array(100,23,69,2,50,31);
//計(jì)算數(shù)組的長度；
$length?=count($arr);
//外層循環(huán)n-1
for($n=0;$n$length-1;$n++){
//內(nèi)層循環(huán)n-i-1
for($i=0;$i$length-$n-1;$i++){
//判斷數(shù)組元素大小，交換位置，實(shí)現(xiàn)從小往大排序
if($arr[$i]$arr[$i+1]){
$temp=$arr[$i+1];
$arr[$i+1]=$arr[$i];
$arr[$i]=$temp;?
}
}
}
print_r($arr);
//Array?(?[0]?=?2?[1]?=?23?[2]?=?31?[3]?=?50?[4]?=?69?[5]?=?100?)?
?
1.Bloom filter
適用范圍：可以用來實(shí)現(xiàn)數(shù)據(jù)字典，進(jìn)行數(shù)據(jù)的判重，或者集合求交集
基本原理及要點(diǎn)：
對于原理來說很簡單，位數(shù)組+k個(gè)獨(dú)立hash函數(shù)。將hash函數(shù)對應(yīng)的值的位數(shù)組置1，查找時(shí)如果發(fā)現(xiàn)所有hash函數(shù)對應(yīng)位都是1說明存在，很明顯這個(gè)過程并不保證查找的結(jié)果是100%正確的。同時(shí)也不支持刪除一個(gè)已經(jīng)插入的關(guān)鍵字，因?yàn)樵撽P(guān)鍵字對應(yīng)的位會牽動到其他的關(guān)鍵字。所以一個(gè)簡單的改進(jìn)就是 counting Bloom filter，用一個(gè)counter數(shù)組代替位數(shù)組，就可以支持刪除了。
還有一個(gè)比較重要的問題，如何根據(jù)輸入元素個(gè)數(shù)n，確定位數(shù)組m的大小及hash函數(shù)個(gè)數(shù)。當(dāng)hash函數(shù)個(gè)數(shù)k=(ln2)*(m/n)時(shí)錯(cuò)誤率最小。在錯(cuò)誤率不大于E的情況下，m至少要等于n*lg(1/E)才能表示任意n個(gè)元素的集合。但m還應(yīng)該更大些，因?yàn)檫€要保證bit數(shù)組里至少一半為 0，則m 應(yīng)該=nlg(1/E)*lge 大概就是nlg(1/E)1.44倍(lg表示以2為底的對數(shù))。
舉個(gè)例子我們假設(shè)錯(cuò)誤率為0.01，則此時(shí)m應(yīng)大概是n的13倍。這樣k大概是8個(gè)。
注意這里m與n的單位不同，m是bit為單位，而n則是以元素個(gè)數(shù)為單位(準(zhǔn)確的說是不同元素的個(gè)數(shù))。通常單個(gè)元素的長度都是有很多bit的。所以使用bloom filter內(nèi)存上通常都是節(jié)省的。
擴(kuò)展：
Bloom filter將集合中的元素映射到位數(shù)組中，用k（k為哈希函數(shù)個(gè)數(shù)）個(gè)映射位是否全1表示元素在不在這個(gè)集合中。Counting bloom filter（CBF）將位數(shù)組中的每一位擴(kuò)展為一個(gè)counter，從而支持了元素的刪除操作。Spectral Bloom Filter（SBF）將其與集合元素的出現(xiàn)次數(shù)關(guān)聯(lián)。SBF采用counter中的最小值來近似表示元素的出現(xiàn)頻率。
問題實(shí)例：給你A,B兩個(gè)文件，各存放50億條URL，每條URL占用64字節(jié)，內(nèi)存限制是4G，讓你找出A,B文件共同的URL。如果是三個(gè)乃至n個(gè)文件呢？
根據(jù)這個(gè)問題我們來計(jì)算下內(nèi)存的占用，4G=2^32大概是40億*8大概是340億，n=50億，如果按出錯(cuò)率0.01算需要的大概是650億個(gè) bit。現(xiàn)在可用的是340億，相差并不多，這樣可能會使出錯(cuò)率上升些。另外如果這些urlip是一一對應(yīng)的，就可以轉(zhuǎn)換成ip，則大大簡單了。
2.Hashing
適用范圍：快速查找，刪除的基本數(shù)據(jù)結(jié)構(gòu)，通常需要總數(shù)據(jù)量可以放入內(nèi)存
基本原理及要點(diǎn)：
hash函數(shù)選擇，針對字符串，整數(shù)，排列，具體相應(yīng)的hash方法。
碰撞處理，一種是open hashing，也稱為拉鏈法；另一種就是closed hashing，也稱開地址法，opened addressing。 ()
擴(kuò)展：
d-left hashing中的d是多個(gè)的意思，我們先簡化這個(gè)問題，看一看2-left hashing。2-left hashing指的是將一個(gè)哈希表分成長度相等的兩半，分別叫做T1和T2，給T1和T2分別配備一個(gè)哈希函數(shù)，h1和h2。在存儲一個(gè)新的key時(shí)，同時(shí)用兩個(gè)哈希函數(shù)進(jìn)行計(jì)算，得出兩個(gè)地址h1[key]和h2[key]。這時(shí)需要檢查T1中的h1[key]位置和T2中的h2[key]位置，哪一個(gè)位置已經(jīng)存儲的（有碰撞的）key比較多，然后將新key存儲在負(fù)載少的位置。如果兩邊一樣多，比如兩個(gè)位置都為空或者都存儲了一個(gè)key，就把新key 存儲在左邊的T1子表中，2-left也由此而來。在查找一個(gè)key時(shí)，必須進(jìn)行兩次hash，同時(shí)查找兩個(gè)位置。
問題實(shí)例：
1).海量日志數(shù)據(jù)，提取出某日訪問百度次數(shù)最多的那個(gè)IP。
IP的數(shù)目還是有限的，最多2^32個(gè)，所以可以考慮使用hash將ip直接存入內(nèi)存，然后進(jìn)行統(tǒng)計(jì)。
3.bit-map
適用范圍：可進(jìn)行數(shù)據(jù)的快速查找，判重，刪除，一般來說數(shù)據(jù)范圍是int的10倍以下
基本原理及要點(diǎn)：使用bit數(shù)組來表示某些元素是否存在，比如8位電話號碼
擴(kuò)展：bloom filter可以看做是對bit-map的擴(kuò)展
問題實(shí)例：
1)已知某個(gè)文件內(nèi)包含一些電話號碼，每個(gè)號碼為8位數(shù)字，統(tǒng)計(jì)不同號碼的個(gè)數(shù)。
8位最多99 999 999，大概需要99m個(gè)bit，大概10幾m字節(jié)的內(nèi)存即可。
2)2.5億個(gè)整數(shù)中找出不重復(fù)的整數(shù)的個(gè)數(shù)，內(nèi)存空間不足以容納這2.5億個(gè)整數(shù)。
將bit-map擴(kuò)展一下，用2bit表示一個(gè)數(shù)即可，0表示未出現(xiàn)，1表示出現(xiàn)一次，2表示出現(xiàn)2次及以上。或者我們不用2bit來進(jìn)行表示，我們用兩個(gè)bit-map即可模擬實(shí)現(xiàn)這個(gè)2bit-map。
4.堆
適用范圍：海量數(shù)據(jù)前n大，并且n比較小，堆可以放入內(nèi)存
基本原理及要點(diǎn)：最大堆求前n小，最小堆求前n大。方法，比如求前n小，我們比較當(dāng)前元素與最大堆里的最大元素，如果它小于最大元素，則應(yīng)該替換那個(gè)最大元素。這樣最后得到的n個(gè)元素就是最小的n個(gè)。適合大數(shù)據(jù)量，求前n小，n的大小比較小的情況，這樣可以掃描一遍即可得到所有的前n元素，效率很高。
擴(kuò)展：雙堆，一個(gè)最大堆與一個(gè)最小堆結(jié)合，可以用來維護(hù)中位數(shù)。
問題實(shí)例：
1)100w個(gè)數(shù)中找最大的前100個(gè)數(shù)。
用一個(gè)100個(gè)元素大小的最小堆即可。
5.雙層桶劃分 ----其實(shí)本質(zhì)上就是【分而治之】的思想，重在“分”的技巧上！
適用范圍：第k大，中位數(shù)，不重復(fù)或重復(fù)的數(shù)字
基本原理及要點(diǎn)：因?yàn)樵胤秶艽螅荒芾弥苯訉ぶ繁?，所以通過多次劃分，逐步確定范圍，然后最后在一個(gè)可以接受的范圍內(nèi)進(jìn)行?？梢酝ㄟ^多次縮小，雙層只是一個(gè)例子。
擴(kuò)展：
問題實(shí)例：
1).2.5億個(gè)整數(shù)中找出不重復(fù)的整數(shù)的個(gè)數(shù)，內(nèi)存空間不足以容納這2.5億個(gè)整數(shù)。
有點(diǎn)像鴿巢原理，整數(shù)個(gè)數(shù)為2^32,也就是，我們可以將這2^32個(gè)數(shù)，劃分為2^8個(gè)區(qū)域(比如用單個(gè)文件代表一個(gè)區(qū)域)，然后將數(shù)據(jù)分離到不同的區(qū)域，然后不同的區(qū)域在利用bitmap就可以直接解決了。也就是說只要有足夠的磁盤空間，就可以很方便的解決。
2).5億個(gè)int找它們的中位數(shù)。
這個(gè)例子比上面那個(gè)更明顯。首先我們將int劃分為2^16個(gè)區(qū)域，然后讀取數(shù)據(jù)統(tǒng)計(jì)落到各個(gè)區(qū)域里的數(shù)的個(gè)數(shù)，之后我們根據(jù)統(tǒng)計(jì)結(jié)果就可以判斷中位數(shù)落到那個(gè)區(qū)域，同時(shí)知道這個(gè)區(qū)域中的第幾大數(shù)剛好是中位數(shù)。然后第二次掃描我們只統(tǒng)計(jì)落在這個(gè)區(qū)域中的那些數(shù)就可以了。
實(shí)際上，如果不是int是int64，我們可以經(jīng)過3次這樣的劃分即可降低到可以接受的程度。即可以先將int64分成2^24個(gè)區(qū)域，然后確定區(qū)域的第幾大數(shù)，在將該區(qū)域分成2^20個(gè)子區(qū)域，然后確定是子區(qū)域的第幾大數(shù)，然后子區(qū)域里的數(shù)的個(gè)數(shù)只有2^20，就可以直接利用direct addr table進(jìn)行統(tǒng)計(jì)了。
6.數(shù)據(jù)庫索引
適用范圍：大數(shù)據(jù)量的增刪改查
基本原理及要點(diǎn)：利用數(shù)據(jù)的設(shè)計(jì)實(shí)現(xiàn)方法，對海量數(shù)據(jù)的增刪改查進(jìn)行處理。
擴(kuò)展：
問題實(shí)例：
7.倒排索引(Inverted index)
適用范圍：搜索引擎，關(guān)鍵字查詢
基本原理及要點(diǎn)：為何叫倒排索引？一種索引方法，被用來存儲在全文搜索下某個(gè)單詞在一個(gè)文檔或者一組文檔中的存儲位置的映射。
以英文為例，下面是要被索引的文本：
T0 = "it is what it is"
T1 = "what is it"
T2 = "it is a banana"
我們就能得到下面的反向文件索引：
"a": {2}
"banana": {2}
"is": {0, 1, 2}
"it": {0, 1, 2}
"what": {0, 1}
檢索的條件"what", "is" 和 "it" 將對應(yīng)集合的交集。
正向索引開發(fā)出來用來存儲每個(gè)文檔的單詞的列表。正向索引的查詢往往滿足每個(gè)文檔有序頻繁的全文查詢和每個(gè)單詞在校驗(yàn)文檔中的驗(yàn)證這樣的查詢。在正向索引中，文檔占據(jù)了中心的位置，每個(gè)文檔指向了一個(gè)它所包含的索引項(xiàng)的序列。也就是說文檔指向了它包含的那些單詞，而反向索引則是單詞指向了包含它的文檔，很容易看到這個(gè)反向的關(guān)系。
擴(kuò)展：
問題實(shí)例：文檔檢索系統(tǒng)，查詢那些文件包含了某單詞，比如常見的學(xué)術(shù)論文的關(guān)鍵字搜索。
8.外排序
適用范圍：大數(shù)據(jù)的排序，去重
基本原理及要點(diǎn)：外排序的歸并方法，置換選擇 敗者樹原理，最優(yōu)歸并樹
擴(kuò)展：
問題實(shí)例：
1).有一個(gè)1G大小的一個(gè)文件，里面每一行是一個(gè)詞，詞的大小不超過16個(gè)字節(jié)，內(nèi)存限制大小是1M。返回頻數(shù)最高的100個(gè)詞。
這個(gè)數(shù)據(jù)具有很明顯的特點(diǎn)，詞的大小為16個(gè)字節(jié)，但是內(nèi)存只有1m做hash有些不夠，所以可以用來排序。內(nèi)存可以當(dāng)輸入緩沖區(qū)使用。
9.trie樹
適用范圍：數(shù)據(jù)量大，重復(fù)多，但是數(shù)據(jù)種類小可以放入內(nèi)存
基本原理及要點(diǎn)：實(shí)現(xiàn)方式，節(jié)點(diǎn)孩子的表示方式
擴(kuò)展：壓縮實(shí)現(xiàn)。
問題實(shí)例：
1).有10個(gè)文件，每個(gè)文件1G， 每個(gè)文件的每一行都存放的是用戶的query，每個(gè)文件的query都可能重復(fù)。要你按照query的頻度排序 。
2).1000萬字符串，其中有些是相同的(重復(fù)),需要把重復(fù)的全部去掉，保留沒有重復(fù)的字符串。請問怎么設(shè)計(jì)和實(shí)現(xiàn)？
3).尋找熱門查詢：查詢串的重復(fù)度比較高，雖然總數(shù)是1千萬，但如果除去重復(fù)后，不超過3百萬個(gè)，每個(gè)不超過255字節(jié)。
10.分布式處理 mapreduce
適用范圍：數(shù)據(jù)量大，但是數(shù)據(jù)種類小可以放入內(nèi)存
基本原理及要點(diǎn)：將數(shù)據(jù)交給不同的機(jī)器去處理，數(shù)據(jù)劃分，結(jié)果歸約。
擴(kuò)展：
問題實(shí)例：
1).The canonical example application of MapReduce is a process to count the appearances of
each different word in a set of documents:
void map(String name, String document):
// name: document name
// document: document contents
for each word w in document:
EmitIntermediate(w, 1);
void reduce(String word, Iterator partialCounts):
// key: a word
// values: a list of aggregated partial counts
int result = 0;
for each v in partialCounts:
result += ParseInt(v);
Emit(result);
Here, each document is split in words, and each word is counted initially with a "1" value by
the Map function, using the word as the result key. The framework puts together all the pairs
with the same key and feeds them to the same call to Reduce, thus this function just needs to
sum all of its input values to find the total appearances of that word.
2).海量數(shù)據(jù)分布在100臺電腦中，想個(gè)辦法高效統(tǒng)計(jì)出這批數(shù)據(jù)的TOP10。
3).一共有N個(gè)機(jī)器，每個(gè)機(jī)器上有N個(gè)數(shù)。每個(gè)機(jī)器最多存O(N)個(gè)數(shù)并對它們操作。如何找到N^2個(gè)數(shù)的中數(shù)(median)？
經(jīng)典問題分析
上千萬or億數(shù)據(jù)（有重復(fù)），統(tǒng)計(jì)其中出現(xiàn)次數(shù)最多的前N個(gè)數(shù)據(jù),分兩種情況：可一次讀入內(nèi)存，不可一次讀入。
可用思路：trie樹+堆，數(shù)據(jù)庫索引，劃分子集分別統(tǒng)計(jì)，hash，分布式計(jì)算，近似統(tǒng)計(jì)，外排序
所謂的是否能一次讀入內(nèi)存，實(shí)際上應(yīng)該指去除重復(fù)后的數(shù)據(jù)量。如果去重后數(shù)據(jù)可以放入內(nèi)存，我們可以為數(shù)據(jù)建立字典，比如通過 map，hashmap，trie，然后直接進(jìn)行統(tǒng)計(jì)即可。當(dāng)然在更新每條數(shù)據(jù)的出現(xiàn)次數(shù)的時(shí)候，我們可以利用一個(gè)堆來維護(hù)出現(xiàn)次數(shù)最多的前N個(gè)數(shù)據(jù)，當(dāng)然這樣導(dǎo)致維護(hù)次數(shù)增加，不如完全統(tǒng)計(jì)后在求前N大效率高。
如果數(shù)據(jù)無法放入內(nèi)存。一方面我們可以考慮上面的字典方法能否被改進(jìn)以適應(yīng)這種情形，可以做的改變就是將字典存放到硬盤上，而不是內(nèi)存，這可以參考數(shù)據(jù)庫的存儲方法。
當(dāng)然還有更好的方法，就是可以采用分布式計(jì)算，基本上就是map-reduce過程，首先可以根據(jù)數(shù)據(jù)值或者把數(shù)據(jù)hash(md5)后的值，將數(shù)據(jù)按照范圍劃分到不同的機(jī)子，最好可以讓數(shù)據(jù)劃分后可以一次讀入內(nèi)存，這樣不同的機(jī)子負(fù)責(zé)處理各種的數(shù)值范圍，實(shí)際上就是map。得到結(jié)果后，各個(gè)機(jī)子只需拿出各自的出現(xiàn)次數(shù)最多的前N個(gè)數(shù)據(jù)，然后匯總，選出所有的數(shù)據(jù)中出現(xiàn)次數(shù)最多的前N個(gè)數(shù)據(jù)，這實(shí)際上就是reduce過程。
實(shí)際上可能想直接將數(shù)據(jù)均分到不同的機(jī)子上進(jìn)行處理，這樣是無法得到正確的解的。因?yàn)橐粋€(gè)數(shù)據(jù)可能被均分到不同的機(jī)子上，而另一個(gè)則可能完全聚集到一個(gè)機(jī)子上，同時(shí)還可能存在具有相同數(shù)目的數(shù)據(jù)。比如我們要找出現(xiàn)次數(shù)最多的前100個(gè)，我們將1000萬的數(shù)據(jù)分布到10臺機(jī)器上，找到每臺出現(xiàn)次數(shù)最多的前 100個(gè)，歸并之后這樣不能保證找到真正的第100個(gè)，因?yàn)楸热绯霈F(xiàn)次數(shù)最多的第100個(gè)可能有1萬個(gè)，但是它被分到了10臺機(jī)子，這樣在每臺上只有1千個(gè)，假設(shè)這些機(jī)子排名在1000個(gè)之前的那些都是單獨(dú)分布在一臺機(jī)子上的，比如有1001個(gè)，這樣本來具有1萬個(gè)的這個(gè)就會被淘汰，即使我們讓每臺機(jī)子選出出現(xiàn)次數(shù)最多的1000個(gè)再歸并，仍然會出錯(cuò)，因?yàn)榭赡艽嬖诖罅總€(gè)數(shù)為1001個(gè)的發(fā)生聚集。因此不能將數(shù)據(jù)隨便均分到不同機(jī)子上，而是要根據(jù)hash 后的值將它們映射到不同的機(jī)子上處理，讓不同的機(jī)器處理一個(gè)數(shù)值范圍。
而外排序的方法會消耗大量的IO，效率不會很高。而上面的分布式方法，也可以用于單機(jī)版本，也就是將總的數(shù)據(jù)根據(jù)值的范圍，劃分成多個(gè)不同的子文件，然后逐個(gè)處理。處理完畢之后再對這些單詞的及其出現(xiàn)頻率進(jìn)行一個(gè)歸并。實(shí)際上就可以利用一個(gè)外排序的歸并過程。
另外還可以考慮近似計(jì)算，也就是我們可以通過結(jié)合自然語言屬性，只將那些真正實(shí)際中出現(xiàn)最多的那些詞作為一個(gè)字典，使得這個(gè)規(guī)?？梢苑湃雰?nèi)存。
?php
$db=array(
1=array(
id=1,
name=2
),
2=array(
id=3,
name=1
),
5=array(
id=1,
name=2
),
4=array(
id=3,
name=1
),
8=array(
id=1,
name=2
),
34=array(
id=3,
name=1
),
3=array(
id=5,
name=3
)
);
function call_back($a , $b){
return intval($a['name']) - intval($b['name']);
}
usort($db , 'call_back');
echo "pre";
print_r($db);
echo "/pre";
?
重慶分公司
重慶分公司
