python - PySpark - 如何根据坐标矩阵中表示的相似性获取 top-k id？

Question

我有一个数据字典(键代表项目(1,2,3..是项目的ID)，它们的值('712907','742068')指用户)。我将其转换为 pandas 数据框:

data_dict = {0: ['712907','742068','326136','667386'],
             1: ['667386','742068','742068'],
             2: ['326136', '663056', '742068','742068'],
            3: ['326136', '663056', '742068'],4: ['326116','742068','663056', '742068'],5: ['326136','326136','663056', '742068']}
df= pd.DataFrame.from_dict(data_dict, orient='index')

我根据用户(“712907”、“742068”、“326136”..)对数据框中的项目进行分组，请参见下图。

dframe = pd.get_dummies(df.stack()).sum(level=0)
sv = sparse.csr_matrix(dframe.as_matrix())

请注意，上面的数据帧(dframe)只是一个小例子，实际的dframe大小是(309235 x 81566)。因此，我想使用spark来计算sv(稀疏矩阵)中行(1,2,3...)之间的余弦相似度。到目前为止我所取得的成就是:

from pyspark.sql import SQLContext
from pyspark.sql.types import Row
sc = pyspark.SparkContext(appName="cosinesim")
sqlContext = SQLContext(sc)
sv_rdd = sc.parallelize(sv.toarray())

使用example ，我将 rdd 转换为数据帧:

def f(x):
    d = {}
    for i in range(len(x)):
        d[str(i)] = int(x[i])
    return d
dfspark = sv_rdd.map(lambda x: Row(**f(x))).toDF()

关注此example ，我添加一个新的“id”列:

row_with_index = Row(*["id"] + dfspark.columns)

def make_row(columns):
    def _make_row(row, uid):
        row_dict = row.asDict()
        return row_with_index(*[uid] + [row_dict.get(c) for c in columns])
    return _make_row

f = make_row(dfspark.columns)

dfidx = (dfspark.rdd
    .zipWithIndex()
    .map(lambda x: f(*x))
    .toDF(StructType([StructField("id", LongType(), False)] + dfspark.schema.fields)))

最后，通过转置矩阵来计算行之间的相似度:

pred = IndexedRowMatrix(dfidx.rdd.map(lambda row: IndexedRow(row.id,row[1:])))
pred1 = pred.toBlockMatrix().transpose().toIndexedRowMatrix()
pred_sims = pred1.columnSimilarities()

如何根据余弦相似度(pred_sims)获取每个项目 0,1,2,3,4 的 top-k id？我将 CoordinateMatrix 转换为数据框，但不确定如何访问每个 id 的前 k 个项目..

columns = ['from', 'to', 'sim']
vals = pred_sims.entries.map(lambda e: (e.i, e.j, e.value)).collect()
dfsim = sqlContext.createDataFrame(vals, columns)
dfsim.show()

from pyspark.sql.functions import col, desc
for i in range(m):
    target_id = int(dataset_u[i])
    dfFrom = dfsim.where((col("from") == target_id))
.....

Answer 1

您可以使用窗口函数按每个项目的相似度进行排序，然后使用 row_count():

from pyspark.sql.window import Window

window = Window.partitionBy(dfsim['from']).orderBy(dfsim['sim'].desc())

dfsim.select('*', func.row_number().over(window).alias('row_number')) \
  .filter(func.col('row_number') <= 3) \
  .show()
+----+---+------------------+----------+
|from| to|               sim|row_number|
+----+---+------------------+----------+
|   0|  1|0.6708203932499369|         1|
|   0|  5|0.6123724356957946|         2|
|   4|  5|0.5000000000000001|         1|
|   1|  4|0.7302967433402215|         1|
|   1|  2|0.7302967433402215|         2|
|   2|  3|0.9428090415820636|         1|
|   2|  4|0.8333333333333336|         2|
|   3|  5|0.9428090415820636|         1|
|   3|  4|0.7071067811865477|         2|
+----+---+------------------+----------+

如果您需要将行选择与原始数据框相关联，请加入原始数据。