scala – 计算余弦相似度Spark Dataframe

发布时间：2020-12-16 09:23:20 所属栏目：安全来源：网络整理

我使用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)

以下数据框的示例

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

我试图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

但是我得到了以下错误

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

我检查了以下链接Apache Spark: How to create a matrix from a DataFrame?但不能使用Scala

解决方法

> DataFrame.rdd返回RDD [Row]而不是RDD [(T,U)].你必须模式匹配行或直接提取有趣的部分.
> ml与数据集一起使用的Vector,因为Spark 2.0与旧API使用的mllib Vector不同.您必须将其转换为与IndexedRowMatrix一起使用.
>索引必须是长而不是字符串.

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) })

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!