在 PySpark 中将密集向量转换为稀疏向量

Question

是否有内置的方法可以从 PySpark 中的密集向量创建稀疏向量？我这样做的方式如下：

Vectors.sparse(len(denseVector), [(i,j) for i,j in enumerate(denseVector)  if j != 0 ])

这满足 [size, (index, data)] 格式。似乎有点hacky。有没有更有效的方法来做到这一点？

Answer 1

import scipy.sparse
from pyspark.ml.linalg import Vectors, _convert_to_vector, VectorUDT
from pyspark.sql.functions import udf, col

如果您只有一个密集向量，则可以这样做：

def dense_to_sparse(vector):
    return _convert_to_vector(scipy.sparse.csc_matrix(vector.toArray()).T)

dense_to_sparse(densevector)

这里的技巧是 csc_matrix.shape[1] 必须等于 1，所以转置向量。看看_convert_to_vector的来源：https ://people.eecs.berkeley.edu/~jegonzal/pyspark/_modules/pyspark/mllib/linalg.html

更可能的情况是你有一个带有密集向量列的 DF：

to_sparse = udf(dense_to_sparse, VectorUDT())
DF.withColumn("sparse", to_sparse(col("densevector"))