计算pyspark中数据帧的所有行之间的余弦相似度

Question

我有一个数据集,其中包含工人的人口统计信息,如年龄性别,地址等及其工作地点.我从数据集创建了一个RDD并将其转换为DataFrame.

每个ID有多个条目.因此,我创建了一个DataFrame,其中只包含工人的ID和他/她工作过的各个办公地点.

    |----------|----------------|
    | **ID**    **Office_Loc**  |
    |----------|----------------|
    |   1      |Delhi, Mumbai,  |
    |          | Gandhinagar    |
    |---------------------------|
    |   2      | Delhi, Mandi   | 
    |---------------------------|
    |   3      |Hyderbad, Jaipur|
    -----------------------------

我想根据办公地点计算每个工人与其他工人之间的余弦相似度.

所以,我遍历了DataFrame的行,从DataFrame中检索了一行:

myIndex = 1
values = (ID_place_df.rdd.zipWithIndex()
            .filter(lambda ((l, v), i): i == myIndex)
            .map(lambda ((l,v), i): (l, v))
            .collect())

然后使用地图

    cos_weight = ID_place_df.select("ID","office_location").rdd\
  .map(lambda x: get_cosine(values,x[0],x[1]))

计算提取的行和整个DataFrame之间的余弦相似度.

我不认为我的方法是好的,因为我在迭代DataFrame的行,它失败了使用spark的整个目的.在pyspark有更好的方法吗？好心提醒.

Answer 1

您可以使用该mllib包来计算L2每行的TF-IDF 的范数.然后将表与自身相乘以得到余弦相似度,作为两乘两个L2范数的点积:

1. RDD

rdd = sc.parallelize([[1, "Delhi, Mumbai, Gandhinagar"],[2, " Delhi, Mandi"], [3, "Hyderbad, Jaipur"]])

• 计算TF-IDF:

  documents = rdd.map(lambda l: l[1].replace(" ", "").split(","))
  
  from pyspark.mllib.feature import HashingTF, IDF
  hashingTF = HashingTF()
  tf = hashingTF.transform(documents)
  

您可以指定HashingTF要素数,以使要素矩阵更小(列数更少).

    tf.cache()
    idf = IDF().fit(tf)
    tfidf = idf.transform(tf)

• 计算L2规范:

  from pyspark.mllib.feature import Normalizer
  labels = rdd.map(lambda l: l[0])
  features = tfidf
  
  normalizer = Normalizer()
  data = labels.zip(normalizer.transform(features))
  

• 通过将矩阵与自身相乘来计算余弦相似度:

  from pyspark.mllib.linalg.distributed import IndexedRowMatrix
  mat = IndexedRowMatrix(data).toBlockMatrix()
  dot = mat.multiply(mat.transpose())
  dot.toLocalMatrix().toArray()
  
      array([[ 0.        ,  0.        ,  0.        ,  0.        ],
             [ 0.        ,  1.        ,  0.10794634,  0.        ],
             [ 0.        ,  0.10794634,  1.        ,  0.        ],
             [ 0.        ,  0.        ,  0.        ,  1.        ]])
  

  或者:使用笛卡尔积和dotnumpy数组上的函数:

  data.cartesian(data)\
      .map(lambda l: ((l[0][0], l[1][0]), l[0][1].dot(l[1][1])))\
      .sortByKey()\
      .collect()
  
      [((1, 1), 1.0),
       ((1, 2), 0.10794633570596117),
       ((1, 3), 0.0),
       ((2, 1), 0.10794633570596117),
       ((2, 2), 1.0),
       ((2, 3), 0.0),
       ((3, 1), 0.0),
       ((3, 2), 0.0),
       ((3, 3), 1.0)]
  

2. DataFrame

由于您似乎使用的是数据帧,因此您可以使用该spark ml包:

import pyspark.sql.functions as psf
df = rdd.toDF(["ID", "Office_Loc"])\
    .withColumn("Office_Loc", psf.split(psf.regexp_replace("Office_Loc", " ", ""), ','))

• 计算TF-IDF:

  from pyspark.ml.feature import HashingTF, IDF
  hashingTF = HashingTF(inputCol="Office_Loc", outputCol="tf")
  tf = hashingTF.transform(df)
  
  idf = IDF(inputCol="tf", outputCol="feature").fit(tf)
  tfidf = idf.transform(tf)
  

• 计算L2规范:

  from pyspark.ml.feature import Normalizer
  normalizer = Normalizer(inputCol="feature", outputCol="norm")
  data = normalizer.transform(tfidf)
  

• 计算矩阵产品:

  from pyspark.mllib.linalg.distributed import IndexedRow, IndexedRowMatrix
  mat = IndexedRowMatrix(
      data.select("ID", "norm")\
          .rdd.map(lambda row: IndexedRow(row.ID, row.norm.toArray()))).toBlockMatrix()
  dot = mat.multiply(mat.transpose())
  dot.toLocalMatrix().toArray()
  

  或者:使用连接和UDFfor函数dot:

  dot_udf = psf.udf(lambda x,y: float(x.dot(y)), DoubleType())
  data.alias("i").join(data.alias("j"), psf.col("i.ID") < psf.col("j.ID"))\
      .select(
          psf.col("i.ID").alias("i"), 
          psf.col("j.ID").alias("j"), 
          dot_udf("i.norm", "j.norm").alias("dot"))\
      .sort("i", "j")\
      .show()
  
      +---+---+-------------------+
      |  i|  j|                dot|
      +---+---+-------------------+
      |  1|  2|0.10794633570596117|
      |  1|  3|                0.0|
      |  2|  3|                0.0|
      +---+---+-------------------+
  

本教程列出了乘以大规模矩阵的不同方法:https://labs.yodas.com/large-scale-matrix-multiplication-with-pyspark-or-how-to-match-two-large-datasets-of-company -1be4b1b2871e