在pyspark中使用基于DataFrame的API在2个sparseVectors列表之间进行矩阵乘法的最佳方法是什么？答案

【问题标题】：What's the best way to do matrix multiplication between 2 lists of sparseVectors with DataFrame-based API in pyspark?在pyspark中使用基于DataFrame的API在2个sparseVectors列表之间进行矩阵乘法的最佳方法是什么？
【发布时间】：2017-10-11 05:31:50
【问题描述】：

我有 2 个具有相同结构的 DataFrames：DataFrame[id: bigint, tfidf_features: vector]

我需要dataframe1 中的多行与dataframe2 中的行。我可以使用循环并执行以下操作： dataframe1.collect()[i]['tfidf_features'].dot(dataframe2.collect()[j]['tfidf_features']).

但是，我想使用矩阵乘法，相当于：np.matmul(dataframe1_tfidf_features, dataframe2_tfidf_features.T)。

【问题讨论】：

标签： python apache-spark pyspark apache-spark-ml

【解决方案1】：

你有两个选择
1.mllib.linalg.distributed.BlockMatrix 将两个数据帧都转换为块矩阵并使用 multitply

bm1 = IndexedRowMatrix(df1.rdd.map(lambda x: IndexedRow(x[0], x[1]))).toBlockMatrix()
bm2 = IndexedRowMatrix(df2.rdd.map(lambda x: IndexedRow(x[0], x[1]))).toBlockMatrix()
bm_result = bm1.multiply(bm2)

2。 pyspark.sql.dataframe.crossJoin 交叉连接两个数据帧并计算结果矩阵的单个元素，然后使用 collect_list & sort

arr = np.array
df =df1.crossJoin(df2.select(col("id").alias("id2"),
                                 col("features").alias("features2"))

udf_mult = udf(lambda x,y = float(arr(x).dot(arr(y).T).sum()), DoubleType()) 
df = df.withColumn("val", udf_mult("features","features2")).
                         drop("features","features2")
st = struct(["id2","val"]).alias("map")
df = df.select("id", st).groupBy("id").agg(collect_list("map").alias("list"))

def sort(x):

    x = sorted(x, key=lambda x:x[0])
    y = list(map(lambda a:a[1], x))
    return(y)
udf_sort = udf(sort, ArrayType(DoubleType()))
df = df.withColumn("list", udf_sort("list"))

【讨论】：