gpt4 book ai didi

scala - 计算余弦相似度 Spark Dataframe

转载 作者:行者123 更新时间:2023-12-02 19:39:02 25 4
gpt4 key购买 nike

我正在使用 Spark Scala 来计算 Dataframe 行之间的余弦相似度。

数据帧格式如下

root
|-- SKU: double (nullable = true)
|-- Features: vector (nullable = true)

下面的数据框示例

    +-------+--------------------+
| SKU| Features|
+-------+--------------------+
| 9970.0|[4.7143,0.0,5.785...|
|19676.0|[5.5,0.0,6.4286,4...|
| 3296.0|[4.7143,1.4286,6....|
|13658.0|[6.2857,0.7143,4....|
| 1.0|[4.2308,0.7692,5....|
| 513.0|[3.0,0.0,4.9091,5...|
| 3753.0|[5.9231,0.0,4.846...|
|14967.0|[4.5833,0.8333,5....|
| 2803.0|[4.2308,0.0,4.846...|
|11879.0|[3.1429,0.0,4.5,4...|
+-------+--------------------+

我尝试转置矩阵并检查以下提到的链接。 Apache Spark Python Cosine Similarity over DataFrames , calculating-cosine-similarity-by-featurizing-the-text-into-vector-using-tf-idf但我相信有更好的解决方案

我尝试了下面的示例代码

val irm = new IndexedRowMatrix(inClusters.rdd.map {
case (v,i:Vector) => IndexedRow(v, i)


}).toCoordinateMatrix.transpose.toRowMatrix.columnSimilarities

但我收到以下错误

Error:(80, 12) constructor cannot be instantiated to expected type;
found : (T1, T2)
required: org.apache.spark.sql.Row
case (v,i:Vector) => IndexedRow(v, i)

我检查了以下链接 Apache Spark: How to create a matrix from a DataFrame?但无法使用 Scala 做到这一点

最佳答案

  • DataFrame.rdd 返回 RDD[Row] 而不是 RDD[(T, U)]。您必须对Row进行模式匹配或直接提取有趣的部分。
  • ml VectorDatasets 一起使用,因为 Spark 2.0 与 mllib Vector 由旧 API 使用。您必须将其转换为与 IndexedRowMatrix 一起使用。
  • 索引必须是Long而不是字符串。
import org.apache.spark.sql.Row

val irm = new IndexedRowMatrix(inClusters.rdd.map {
Row(_, v: org.apache.spark.ml.linalg.Vector) =>
org.apache.spark.mllib.linalg.Vectors.fromML(v)
}.zipWithIndex.map { case (v, i) => IndexedRow(i, v) })

关于scala - 计算余弦相似度 Spark Dataframe,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/47010126/

25 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com