计算pyspark中数据框所有行之间的余弦相似度

Question

我有一个数据集，其中包含工人及其年龄，性别，地址等人口统计信息及其工作地点。我从数据集创建了一个RDD，并将其转换为DataFrame。

每个ID有多个条目。因此，我创建了一个DataFrame，其中仅包含工人的ID和他/她工作过的各个办公室位置。

    |----------|----------------|
    | **ID**    **Office_Loc**  |
    |----------|----------------|
    |   1      |Delhi, Mumbai,  |
    |          | Gandhinagar    |
    |---------------------------|
    |   2      | Delhi, Mandi   | 
    |---------------------------|
    |   3      |Hyderbad, Jaipur|
    -----------------------------

我想根据他们的办公地点来计算每个工人与其他每个工人之间的余弦相似度。

因此，我遍历了DataFrame的各行，从DataFrame检索了一行：

myIndex = 1
values = (ID_place_df.rdd.zipWithIndex()
            .filter(lambda ((l, v), i): i == myIndex)
            .map(lambda ((l,v), i): (l, v))
            .collect())

然后使用地图

    cos_weight = ID_place_df.select("ID","office_location").rdd\
  .map(lambda x: get_cosine(values,x[0],x[1]))

计算提取的行与整个DataFrame之间的余弦相似度。

我不认为我的方法是一种好方法，因为我要遍历DataFrame的行，它违反了使用spark的全部目的。在pyspark中有更好的方法吗？好心提醒。

Answer 1

您可以使用该mllib包来计算L2每行TF-IDF的范数。然后将表与其自身相乘，以得到余弦相似度，即两个点的乘积乘以两个L2范数：

1. RDD

rdd = sc.parallelize([[1, "Delhi, Mumbai, Gandhinagar"],[2, " Delhi, Mandi"], [3, "Hyderbad, Jaipur"]])

• 计算TF-IDF：

  documents = rdd.map(lambda l: l[1].replace(" ", "").split(","))
  

  from pyspark.mllib.feature import HashingTF, IDF
  hashingTF = HashingTF()
  tf = hashingTF.transform(documents)
  
  

您可以指定特征的数量，HashingTF以使特征矩阵更小（较少的列）。

    tf.cache()
    idf = IDF().fit(tf)
    tfidf = idf.transform(tf)

• 计算L2准则：

  from pyspark.mllib.feature import Normalizer
  

  labels = rdd.map(lambda l: l[0])
  features = tfidf
  

  normalizer = Normalizer()
  data = labels.zip(normalizer.transform(features))

• 通过将矩阵与其自身相乘来计算余弦相似度：

  from pyspark.mllib.linalg.distributed import IndexedRowMatrix
  

  mat = IndexedRowMatrix(data).toBlockMatrix()
  dot = mat.multiply(mat.transpose())
  dot.toLocalMatrix().toArray()

  array([[ 0.        ,  0.        ,  0.        ,  0.        ],
         [ 0.        ,  1.        ,  0.10794634,  0.        ],
         [ 0.        ,  0.10794634,  1.        ,  0.        ],
         [ 0.        ,  0.        ,  0.        ,  1.        ]])
  

或： 使用笛卡尔积和dotnumpy数组上的函数：

    data.cartesian(data)\
    .map(lambda l: ((l[0][0], l[1][0]), l[0][1].dot(l[1][1])))\
    .sortByKey()\
    .collect()

    [((1, 1), 1.0),
     ((1, 2), 0.10794633570596117),
     ((1, 3), 0.0),
     ((2, 1), 0.10794633570596117),
     ((2, 2), 1.0),
     ((2, 3), 0.0),
     ((3, 1), 0.0),
     ((3, 2), 0.0),
     ((3, 3), 1.0)]

2.数据框

由于您似乎正在使用数据框，因此可以改用该spark ml包：

import pyspark.sql.functions as psf
df = rdd.toDF(["ID", "Office_Loc"])\
    .withColumn("Office_Loc", psf.split(psf.regexp_replace("Office_Loc", " ", ""), ','))

• 计算TF-IDF：

  from pyspark.ml.feature import HashingTF, IDF
  

  hashingTF = HashingTF(inputCol=”Office_Loc”, outputCol=”tf”)
  tf = hashingTF.transform(df)

  idf = IDF(inputCol=”tf”, outputCol=”feature”).fit(tf)
  tfidf = idf.transform(tf)

• 计算L2准则：

  from pyspark.ml.feature import Normalizer
  

  normalizer = Normalizer(inputCol=”feature”, outputCol=”norm”)
  data = normalizer.transform(tfidf)

• 计算矩阵乘积：

  from pyspark.mllib.linalg.distributed import IndexedRow, IndexedRowMatrix
  

  mat = IndexedRowMatrix(
  data.select(“ID”, “norm”)\
  .rdd.map(lambda row: IndexedRow(row.ID, row.norm.toArray()))).toBlockMatrix()
  dot = mat.multiply(mat.transpose())
  dot.toLocalMatrix().toArray()

或： 使用联接和UDFfor函数dot：

    dot_udf = psf.udf(lambda x,y: float(x.dot(y)), DoubleType())
data.alias("i").join(data.alias("j"), psf.col("i.ID") < psf.col("j.ID"))\
    .select(
        psf.col("i.ID").alias("i"), 
        psf.col("j.ID").alias("j"), 
        dot_udf("i.norm", "j.norm").alias("dot"))\
    .sort("i", "j")\
    .show()

    +---+---+-------------------+
    |  i|  j|                dot|
    +---+---+-------------------+
    |  1|  2|0.10794633570596117|
    |  1|  3|                0.0|
    |  2|  3|                0.0|
    +---+---+-------------------+

本教程列出了用于乘法大型矩阵的不同方法：https : //labs.yodas.com/large-scale-matrix-multiplication-
with-pyspark-or-how-to-match-two-large-datasets-of-company
-1be4b1b2871e