码迷,mamicode.com
首页 > 其他好文 > 详细

11-接下来如何做

时间:2020-01-12 10:05:03      阅读:108      评论:0      收藏:0      [点我收藏+]

标签:组合   class   子节点   答案   笔记   概念   分配   数据   布料   

1.树

在前面的二分查找示例中,每当用户登陆Facebook,Facebook都必须在一个庞大的数组中查找,核实其中是否包含指定的用户名。在这种数组中查找,最快的方式是二分查找,但问题是每当有新用户注册时,都必须将其用户名插入该数组并重新排序,因为二分查找仅在数组有序时才管用。如果能将用户名插入到数组的正确位置就好了,这样就无需在插入后再排序。为此,有人设计了一种名为二叉查找树的数据结构。
对于其中的每个节点,左子节点的值都比它小,而右子节点的值都比它大。
技术图片
假设要查找Maggie,首先检查根节点。Maggie排在David的后面,因此你往右找。Maggie排在Manning前面,因此你往前找。
技术图片
二叉查找树用时为O(log2n)几乎与二分查找一样,但在最糟的情况下所需时间为O(n);而在有序数组中查找时,即便是在最糟情况下所需的时间也只有O(log2n),但是二叉查找树的插入和删除操作的速度要快得多。

操作有序数组二叉查找树
查找 O(log2n)O(log2n)
插入 O(n)O(log2n)
删除O(n)O(log2n)

二叉查找树的缺点:不能随机访问,例如给我第5个元素。在二叉查找树处于平衡状态时平均访问时间也为O(log2n)。
假设二叉查找树像下面这样处于不平衡状态。
技术图片
注意,这棵树是向右倾斜的,因此性能不佳。也有一些处于平衡状态的特殊二叉查找树,如红黑树。

场景:在什么情况下使用二叉查找树呢?B树是一种特殊的二叉树,数据库常用它来存储数据。
高级数据结构:B树,红黑树,堆,伸展树。

2.反向索引

假设有3个网页,我们根据这些内容创建一个散列表。这个散列表的键为单词,值为包含指定单词的页面。

键(指定单词)值(包含指定单词的页面)
HiA,B
AditB
WeC
GoC

搜索引擎发现页面A和B包含Hi,因此将这些页面作为搜索结果呈现给用户。现在假设用户搜索There,搜索引擎将返回A和C。
这是一种很有用的数据结构:一个散列表,将单词映射到包含它的页面。这种数据结果成为反向索引,常用语创建搜索引擎。

3.傅立叶变换

https://betterexplained.com/articles/an-interactive-guide-to-the-fourier-transform/中对于傅立叶变换的解释:
What does the Fourier Transform do? Given a smoothie, it finds the recipe.给它一杯冰沙,它能告诉你其中包含哪些成分。或者给定一首歌曲,傅立叶变换能够将其中的各种频率分离出来。
应用:将歌曲分解成不同的频率,就可强化你关心的部分,如强化低音并隐藏高音。傅立叶变换非常适合用于处理信号,可使用它来压缩音乐。为此,首先需要将音频文件分解为音符。傅立叶变换能够准确的指出各个音符对整个歌曲的贡献,让你能够将不重要的音符删除。这就是mp3的工作远离。jpg也是如此。
傅立叶变换还被用来预测地址和DNA分析。

4.并行算法

接下来的三个主题都与可扩展性和海量数据处理相关。目前电脑基本使用的是多核处理器。为提高算法的速度,你需要让它们能够在多个内核中并行的执行。
在最佳情况下,排序算法的速度大致为O(log2n)。对数组进行排序时,除非使用并行算法,否则运行时间不可能为O(n)!对数组进行排序时,快速排序的并行版本所需的时间为O(n)。
并行算法设计起来很难,要确保它们能够正确的工作并实现期望的速度提升也很难。还有速度的提升并非线性的。即便电脑硬件条件增加1倍,算法的速度也不可能提高1倍。原因:

  • 1.并行性管理开销。假设你要对一个包含1000个元素的数组进行排序,如何在两个内核之间分配这项任务呢?如果让每个内核对其中500个元素进行排序,再将两个排好序的数组合并成一个有序数组,那么合并也是需要时间的。
  • 2.负载均衡。假设你需要完成10个任务。电脑为双核,每个内核执行5个任务。但分配给A的任务都很容易,10秒钟就完成了;分配给B的任务都很难,1分钟才完成。这意味着有那么50秒,内核B在疯狂运行,而内核A却闲得很。你如何均匀的分配任务,让两个内核一样忙呢?

要改善性能和可扩展性,并行算法可能是不错的选择。

5.MapReduce

有一种特殊的并行算法日益流行,他就是分布式算法。在并行算法只需2-4个内核时,完全可以在笔记本上运行它,但如果需要数百个内核呢?在这种情况下,可让算法在多台计算机上运行。MapReduce是一种流行的分布式算法,可通过流行的开源工具Apache Hadoop来使用它。

5.1分布式算法为何很有用

假设你有一个数据库表,包含数十亿乃至数万亿条数据,需要对其执行复杂的SQL查询。在这种情况下,你不能使用MySQL,因为数据表的行数超过数十亿后,它处理起来将很吃力。相反,你需要通过Hadoop来使用MapReduce。

又假设你需要处理一个很长的清单,其中包含100万个职位,而每个职位处理起来需要10秒。如果使用一台计算机来处理,将耗时数月。如果使用100台计算机来处理,可能几天就能完工。

5.2映射函数

映射函数很简单,它接收一个数组,并对其中的每个元素执行同样的处理。例如将每个元素翻倍。

arr=[1,2,3,4,5]
arr2 = map(lambda x:2*x,arr)
print(list(arr2))    #[2, 4, 6, 8, 10]

你有一个URL清单,需要下载每个URL指向的页面并将这些内容存储在数组arr2中。对于每个URL,处理起来都可能需要几秒钟。如果总共有1000个URL,可能耗时几个小时。如果有100台计算机,而map能够自动将工作分配给这些计算机去完成就好了。这样就可同时下载100个页面,下载速度将快得多。这就是MapReduce中映射部分基本的理念。

5.3归并函数

归并函数可能令人迷惑,其理念是将很多项归并为一项。映射是将一个数组转换为另一个数组。
而归并是将一个数组转换为一个元素。
技术图片

arr=[1,2,3,4,5]
arr2 = reduce(lambda x,y:x+y,arr)
print(arr2)

MapReduce使用这两个简单概念在多台计算机上执行数据查询。数据集很大,包含数十亿行时,使用MapReduce只需几分钟就可获得查询结果,而传统数据库可能要耗费数小时。

6.布隆过滤器和HyperLogLog

假设你管理着网站Reddit。每当有人发布链接时,你都要检查它以前是否发布过,因为之前未发布过的故事更有价值。
又假设你在Google负责网页收集,但只想搜集新出现的网页,因此需要判断网页是否搜集过。
再假设你管理着提供网址缩短服务的bit.ly,要避免将用户重定向到恶意网站。你有一个清单,其中记录了恶意网站的URL。你需要确定要将用户重定向到的URL是否在这个清单中。
这些都是同一类型的问题,设计庞大的集合。

给定一个元素,你需要判断它是否包含在这个集合中。为快速作出判断,可使用散列表。例如Google可能又一个庞大的散列表,其中的键是已搜集的网页。

Facebookyes
adit.ioyes

判断是否已搜集adit.io,可在这个散列表中查找他。
adit.io是散列表的一个键,表明已被搜集。散列表的平均查找时间为O(1),即查找时间是固定的。
只是Google需要建立数万亿个的网页的索引,因此这个散列表非常大,需要占用大量的存储空间。Reddit和bit.ly也面临这这样的问题。面临海量数据,你需要创造性的解决方案。

6.1 布隆过滤器

布隆过滤器提供了解决之道。布隆过滤器是一种概率型数据结构,它提供的答案有可能不对,但有可能是正确的。为判断网页以前是否已搜集,可不使用散列表,而使用布隆过滤器。
使用散列表时,答案绝对可靠;而使用布隆过滤器时,答案确实很可能是正确的。
可能出现的情况:即Google可能指出“这个网站已搜集”,但实际上并没有收集
不可能出现的情况:即如果布隆过滤器说“这个网站未搜集”,就肯定未收集。
布隆过滤器的优点在于占用的存储空间很少。使用散列表时,必须存储Google搜集过的所有URL,但使用布隆过滤器时不用这样做。布隆过滤器非常适合用于不要求答案准确的情况。

6.2 HyperLogLog

HyperLogLog是一种类似于布隆过滤器的算法。如果Google要计算用户执行的不同搜索的数量,或者亚马孙要计算当天用户浏览的不同商品的数量,要回答这些问题,需要耗用大量的空间。对于Google来说,必须有一个日志,其中包含用户执行的不同搜索。有用户执行搜索时,Google必须判断该搜索是否包含在日志中:如果答案是否定的,就必须将其加入到日志中,即便只记录一天的搜索,这种日志也很多。
HyperLogLog近似的计算集合中不同的元素数,与布隆过滤器一样,它不能给出准确的答案,但也八九不离十,而占用的空间却少得多。
面临海量数据且只要求答案八九不离十时,可考虑使用概率型算法。

7.SHA算法

https://www.cnblogs.com/csj2018/p/10835077.html

7.1 比较文件

可使用sha来判断两个文件是否相同,这在比较超大型文件时很有用。假设你有一个4GB的文件,并要检查朋友是否也有这个大型文件。不需发送文件给对方,计算它们的sha散列值,再对结果进行比较。

7.2 检查密码

sha被广泛用于计算密码的散列值。一般不会存储密码,而是存储密码的sha散列值,然后将输入的同数据库的散列值进行比对。

8.局部敏感的散列算法

sha还有一个重要特征:局部不敏感。假设你有一个字符串,sha散列值为A,修改了其中的一个字符,结果将完全不同。这样让攻击者无法通过比对散列值来破解密码。
优势希望结构相反,即希望散列函数是局部敏感的。在这种情况下,可适用Simhash。如果对字符串做细微的修改,Simhash生成的散列值也只存在细微的差别。这让你能够通过比对散列值来判断两个字符串的相似程度。
场景:

  • Google使用Simhash来判断网页是否已搜集。
  • 老师可以使用Simhash来判断学生的论文是否是从网上抄的。
  • Scribd允许用户上传文档或图书,以便与人分享,但不希望用户上传有版权的内容。

需要检查两项内容的相似程度时,Simhash很有用。

9.Diffie-Hellman密钥交换

https://www.cnblogs.com/csj2018/p/10861597.html

10.线性规划

线性规划用于在给定约束条件下最大限度的改善指定的指标。
场景1:公司生产2种产品。衬衫每件利润2美元,需要消耗1米布料和5个扣子;手提袋每件利润3美元,需要消耗2米布料和2粒扣子。共有11米布料和20粒扣子,如何生产利润最大?

场景2:一个政客,要尽可能多的获得选票。旧金山获得一张选票需要1小时的劳动(宣传、研究等)和2美元的开销,而在芝加哥需要1.5小时的劳动和1美元的开销。在旧金山和芝加哥,你至少需要分别获得500和300张支持票。你有50天的时间,总预算为1500美元。请问最多可从这2个地方获得多少选票?

11-接下来如何做

标签:组合   class   子节点   答案   笔记   概念   分配   数据   布料   

原文地址:https://www.cnblogs.com/csj2018/p/12181771.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!