Java Stream API：正确计算元素对数和的归约操作

本文深入探讨了如何使用Java Stream API对`ArrayList`中的浮点数进行对数运算并求和。文章首先分析了常见的错误用法及其导致`NaN`的原因，随后详细介绍了顺序流和并行流下`reduce`操作的正确实现方式，特别强调了`identity`参数的选择以及并行流中`combiner`的必要性与作用，旨在帮助开发者避免陷阱并高效地执行此类数值计算。

理解问题：对数求和的需求

在数据处理中，我们经常需要对数据集中的每个元素应用数学函数，然后对结果进行聚合。一个常见的场景是，给定一个浮点数列表，我们需要计算每个元素的自然对数（Math.log），并将所有这些对数结果相加。

例如，对于列表 [1.0, 3.0, 2.4, 5.7, 10.0]，我们期望的计算过程是： Math.log(1.0) + Math.log(3.0) + Math.log(2.4) + Math.log(5.7) + Math.log(10.0)。

Java 8引入的Stream API为这种聚合操作提供了强大的工具，尤其是reduce方法。然而，不当的使用方式可能导致意想不到的结果，例如NaN（非数字）。

常见错误与原因分析

考虑以下一种尝试使用Stream.reduce来实现上述功能的代码：

立即学习“Java免费学习笔记（深入）”；

var doubleValue = floatArrayList.stream()
        .reduce(1.0, (a, b) -> Math.log(a) + Math.log(b));

这段代码旨在将列表中的所有元素应用Math.log后相加，但其结果通常是NaN。造成这个问题的原因在于对reduce方法中identity参数和accumulator函数理解的偏差。

reduce方法的签名通常为 T reduce(T identity, BinaryOperator<T> accumulator)。

• identity：是归约操作的初始值，也是当流为空时返回的默认值。对于求和操作，identity通常是0。
• accumulator：一个BinaryOperator，它接受两个参数：当前的累积结果（a）和流中的下一个元素（b），并返回一个新的累积结果。

在上述错误示例中：

1. identity被设置为1.0。
2. accumulator是 (a, b) -> Math.log(a) + Math.log(b)。
   • 在第一次调用时，a是identity值1.0，b是流中的第一个元素。Math.log(1.0)是0.0。所以第一次累积的结果是 0.0 + Math.log(第一个元素)。
   • 在后续调用中，a不再是原始元素，而是上一步的累积结果。如果a的值为0.0或负数（Math.log的定义域是正数），那么Math.log(a)就会产生NaN（Math.log(0.0)是负无穷大，Math.log(负数)是NaN）。一旦NaN出现，任何与NaN的数学运算结果都将是NaN。

正确的逻辑应该是将Math.log应用于每个原始元素，然后将这些对数结果累加起来，而不是将Math.log应用于累积和。

正确实现方式

为了正确地实现对数求和，我们需要确保accumulator函数将Math.log应用于流中的每个元素，并将其累加到当前的运行总和中。同时，identity参数应该是一个适合求和操作的初始值，即0。

1. 传统循环方式（作为参照）

为了更好地理解流操作，我们首先展示传统的循环实现方式：

算家云

高效、便捷的人工智能算力服务平台

37

查看详情

List<Float> floats = List.of(1.f, 3.f, 2.4f, 5.7f, 10.f);

float d1 = 0;
for (float d : floats) {
    d1 += Math.log(d);
}
System.out.println("传统循环结果: " + (double)d1);

输出: 传统循环结果: 6.01713228225708

2. 顺序流（Sequential Stream）的正确使用

对于顺序流，reduce方法只需要提供identity和accumulator。

List<Float> floats = List.of(1.f, 3.f, 2.4f, 5.7f, 10.f);

double d2 = floats.stream().reduce(
        0.f,  // identity: 初始和为0
        (a, b) -> a + (float)Math.log(b) // accumulator: 累积和a加上下一个元素的对数
);
System.out.println("顺序流reduce结果: " + d2);

输出: 顺序流reduce结果: 6.01713228225708

在这里：

• identity是0.f，因为我们正在进行求和操作。
• accumulator是 (a, b) -> a + (float)Math.log(b)。
  • a代表当前的累积和。
  • b代表流中的下一个原始元素。
  • 我们将Math.log应用于b（原始元素），然后将其加到a（累积和）上。这样就避免了对累积和本身取对数的问题。

3. 并行流（Parallel Stream）的正确使用与Combiner

当使用并行流时，reduce方法有一个重载版本：U reduce(U identity, BiFunction<U, ? super T, U> accumulator, BinaryOperator<U> combiner)。

• identity和accumulator的作用与顺序流相同。
• combiner：一个BinaryOperator，用于将并行计算的多个中间结果合并成一个最终结果。当流并行处理时，每个线程会独立地执行accumulator操作，生成部分结果。combiner负责将这些部分结果合并起来。

在我们的对数求和场景中，如果省略combiner参数，并行流会默认使用accumulator作为combiner。然而，这会导致错误。

假设我们的accumulator是 (a, b) -> a + (float)Math.log(b)。如果它被用作combiner： combiner(partialSum1, partialSum2) 将会是 partialSum1 + (float)Math.log(partialSum2)。 这是错误的，因为partialSum2已经是一个对数和，我们不应该再对其取对数。combiner的正确作用仅仅是合并两个部分和，即简单相加。

因此，对于并行流，我们需要显式提供一个正确的combiner：

List<Float> floats = List.of(1.f, 3.f, 2.4f, 5.7f, 10.f);

double d3 = floats.stream().parallel().reduce(
        0.f,  // identity: 初始和为0
        (a, b) -> a + (float)Math.log(b), // accumulator: 累积和a加上下一个元素的对数
        (threadSums, tResult) -> threadSums + tResult // combiner: 简单地合并两个线程的部分和
);
System.out.println("并行流reduce结果: " + d3);

输出: 并行流reduce结果: 6.01713228225708

在这里：

• identity和accumulator与顺序流中的定义相同。
• combiner是 (threadSums, tResult) -> threadSums + tResult。它简单地将两个线程计算出的部分和相加，得到最终的总和。

注意事项与最佳实践

1. identity的选择： 对于求和操作，identity应为0；对于求积操作，identity应为1。它必须是操作的“中性元素”。
2. accumulator的职责： accumulator的第一个参数始终是当前的累积结果，第二个参数是流中的下一个元素。确保你的逻辑是将函数应用到元素上，而不是累积结果上（除非这是你希望的）。
3. combiner的必要性： 当accumulator对流元素执行转换（例如Math.log）并将其添加到累积结果时，对于并行流，你几乎总是需要一个显式的combiner。combiner的职责是合并两个已经经过累积器处理的部分结果，通常是简单地将它们合并（如相加、相乘等），而不是再次应用转换函数。
4. Math.log的输入： Math.log函数要求其输入为正数。如果你的floatArrayList中包含0或负数，Math.log将返回Double.NEGATIVE_INFINITY或NaN。在实际应用中，你可能需要先过滤掉这些无效值，或者进行异常处理。
5. 类型转换： Math.log返回double类型。如果你的累积结果需要是float类型，记得进行显式类型转换，例如 (float)Math.log(b)。

总结

使用Java Stream API进行数值聚合操作（如对数求和）时，理解reduce方法的identity、accumulator和combiner参数至关重要。正确设置这些参数可以确保计算逻辑的准确性，尤其是在处理并行流时，显式定义combiner可以避免因默认行为而导致的错误结果。通过遵循本文介绍的正确实践，开发者可以有效地利用Stream API的强大功能，执行复杂的数据转换和聚合任务。

以上就是Java Stream API：正确计算元素对数和的归约操作的详细内容，更多请关注php中文网其它相关文章！