Pyspark 条目和列之间的欧氏距离

Question

我正在使用 pyspark，想知道是否有任何智能方法可以获取数组的一行条目和整列之间的欧几里德距离。例如，有一个这样的数据集。

+--------------------+---+
|            features| id|
+--------------------+---+
|[0,1,2,3,4,5     ...|  0|
|[0,1,2,3,4,5     ...|  1|
|[1,2,3,6,7,8     ...|  2|

选择其中一列，即 id==1，并计算欧氏距离。在这种情况下，结果应为 [0,0,sqrt(1+1+1+9+9+9)]。有人能弄清楚如何有效地做到这一点吗？谢谢!

Answer 1

如果您想要欧几里得作为带有列的固定条目，只需执行此操作即可。

import pyspark.sql.functions as F
from pyspark.sql.types import FloatType
from scipy.spatial import distance

fixed_entry = [0,3,2,7...] #for example, the entry against which you want distances
distance_udf = F.udf(lambda x: float(distance.euclidean(x, fixed_entry)), FloatType())
df = df.withColumn('distances', distance_udf(F.col('features')))

您的 df 将有一列距离。