在 pyspark SQL DataFrame 中乘以稀疏向量行

Question

我在乘以 SQL 数据框中的列元素时遇到困难。

sv1 = Vectors.sparse(3, [0, 2], [1.0, 3.0])
sv2 = Vectors.sparse(3, [0, 1], [2.0, 4.0])

def xByY(x,y):
  return np.multiply(x,y)

print(xByY(sv1, sv2))

以上有效。

但下面没有。

xByY_udf = udf(xByY)

tempDF = sqlContext.createDataFrame([(sv1, sv2), (sv1, sv2)], ('v1', 'v2'))
tempDF.show()

print(tempDF.select(xByY_udf('v1', 'v2')).show())

非常感谢！

Answer 1

如果你想让你的udf变成return一个SparseVector，我们首先需要修改你函数的输出，然后设置[=的输出模式12=] 到 VectorUDT():

要声明一个SparseVector，我们需要原始数组的大小，以及索引和值非零元素。如果乘法的中间结果是 list:

，我们可以使用 len() 和列表理解找到这些

from pyspark.ml.linalg import Vectors, VectorUDT

def xByY(x,y):
  res = np.multiply(x,y).tolist()
  vec_args =  len(res), [i for i,x in enumerate(res) if x != 0], [x for x in res if x != 0] 
  return Vectors.sparse(*vec_args)

现在我们可以声明我们的 udf 并测试它：

xByY_udf = udf(xByY, VectorUDT())
tempDF.select(xByY_udf('v1', 'v2')).show()
+-------------+
| xByY(v1, v2)|
+-------------+
|(3,[0],[2.0])|
|(3,[0],[2.0])|
+-------------+

在 pyspark SQL DataFrame 中乘以稀疏向量行

Multiplying rows of Sparse vectors in pyspark SQL DataFrame

python

apache-spark

pyspark

pyspark-sql