大数据算法在处理和分析大规模数据集时使用了多种计算公式和算法。以下是一些常见的大数据算法计算公式的示例：
1. K-means聚类算法：K-means算法通过将数据集分成K个聚类来对数据进行聚类分析。K-means算法的计算公式包括计算每个数据点到每个聚类中心的距离，将每个数据点分配给距离最近的聚类中心，并通过迭代更新聚类中心位置。
2. 朴素贝叶斯分类算法：朴素贝叶斯算法是一种基于贝叶斯定理的统计分类算法。它使用公式 P(C|X) = (P(X|C) * P(C)) / P(X) 来计算给定数据点 X 属于类别 C 的概率。其中，P(C|X) 是后验概率，P(X|C) 是似然度，P(C) 是先验概率，P(X) 是证据因子。
3. 支持向量机（SVM）算法：支持向量机是一种常用的监督学习算法，用于分类和回归问题。SVM的计算公式包括通过优化算法找到最佳的超平面，使得两个不同分类的数据点之间的间隔最大化。
4. 随机森林算法：随机森林是一种集成学习算法，通过合并多个决策树模型来进行分类或回归。随机森林的计算公式包括对每个决策树进行训练和预测，然后通过投票或平均预测结果来获得最终的分类或回归结果。
这些只是大数据算法中的一小部分例子，实际上还有许多其他的算法和计算公式，用于处理不同类型的数据和解决不同的问题。具体应用的算法和计算公式会根据具体的需求和数据集的特征而有所不同。
hash(key)%reducernum，另一种为TotalOrderPartitioner, 为排序作业创建分区，分区中数据的范围需要通过分区文件来指定。
