scala - 在 scala 中映射转换(计算标签频率)

Question

我仍然不精通 scala，但我正在使用它来处理一些数据，我将这些数据从文件读入以下数据结构:

map [Id，(集[类别]，集[标签])]

哪里

type Id = String

type Category = String

type Tag = String

本质上，Map 中的每个键都是与一组类别和一组标签关联的实体的唯一 ID。

我的问题是:哪种计算方式是最好的(=最高效和最惯用):

• 所有实体的标签频率(type TagsFrequencies = Map[Tag, Double])
• 每个类别的标签频率( map [Category, TagsFrequencies])

这是我的尝试:

def tagsFrequencies(tags: List[Tag]): TagsFrequencies =
  tags.groupBy(t => t).map(
    kv => (kv._1 -> kv._2.size.toDouble / tags.size.toDouble))

def computeTagsFrequencies(data: Map[Id, (Set[Category], Set[Tag])]): TagsFrequencies = {
  val tags = data.foldLeft(List[Tag]())(
    (acc, kv) => acc ++ kv._2._2.toList)
  tagsFrequencies(tags)
}

def computeTagsFrequenciesPerCategory(data: Map[Id, (Set[Category], Set[Tag])]): Map[Category, TagsFrequencies] = {

  def groupTagsPerCategory(data: Map[Id, (Set[Category], Set[Tag])]): Map[Category, List[Tag]] =
    data.foldLeft(Map[Category, List[Tag]]())(
      (acc, kv) => kv._2._1.foldLeft(acc)(
        (a, category) => a.updated(category, kv._2._2.toList ++ a.getOrElse(category, Set.empty).toList)))

  val tagsPerCategory = groupTagsPerCategory(data)
  tagsPerCategory.map(tpc => (tpc._1 -> tagsFrequencies(tpc._2)))
}

举个例子，考虑一下

val data = Map(
  "id1" -> (Set("c1", "c2"), Set("t1", "t2", "t3")),
  "id2" -> (Set("c1"), Set("t1", "t4")))

然后:

所有实体的标签频率是:

Map(t3 -> 0.2, t4 -> 0.2, t1 -> 0.4, t2 -> 0.2)

每个类别的标签频率是:

Map(c1 -> Map(t3 -> 0.2, t4 -> 0.2, t1 -> 0.4, t2 -> 0.2), c2 -> Map(t3 -> 0.3333333333333333, t1 -> 0.3333333333333333, t2 -> 0.3333333333333333))

Answer 1

这里是对惯用语的重写，不一定是效率。我会让你的第一个方法更通用一些(Iterable参数)，使用identity而不是t => t，并使用mapValues:

def tagsFrequencies(tags: Iterable[Tag]): TagsFrequencies =
  tags.groupBy(identity).mapValues(_.size / tags.size.toDouble)

因为现在需要任何 Iterable[Tag]，所以您可以使用它来清理第二种方法:

def computeTagsFrequencies(data: Map[Id, (Set[Category], Set[Tag])]) =
  tagsFrequencies(data.flatMap(_._2._2))

最后一个方法类似:

def computeTagsFrequenciesPerCategory(data: Map[Id, (Set[Category], Set[Tag])]) =
  data.values.flatMap {
    case (cs, ts) => cs.map(_ -> ts)
  }.groupBy(_._1).mapValues(v => tagsFrequencies(v.flatMap(_._2)))

这些更改都不会以任何有意义的方式影响性能，但您当然应该在自己的应用程序中进行基准测试。