Pyspark计算在RDD

所有向量之间的自定义距离我有一个RDD选自包含如下Pyspark计算在RDD

[DenseVector([0.0806, 0.0751, 0.0786, 0.0753, 0.077, 0.0753, 0.0753, 0.0777, 0.0801, 0.0748, 0.0768, 0.0764, 0.0773]), 
DenseVector([0.2252, 0.0422, 0.0864, 0.0441, 0.0592, 0.0439, 0.0433, 0.071, 0.1644, 0.0405, 0.0581, 0.0528, 0.0691]), 
DenseVector([0.0806, 0.0751, 0.0786, 0.0753, 0.077, 0.0753, 0.0753, 0.0777, 0.0801, 0.0748, 0.0768, 0.0764, 0.0773]), 
DenseVector([0.0924, 0.0699, 0.083, 0.0706, 0.0766, 0.0708, 0.0705, 0.0793, 0.09, 0.0689, 0.0758, 0.0743, 0.0779]), 
DenseVector([0.0806, 0.0751, 0.0785, 0.0753, 0.077, 0.0753, 0.0753, 0.0777, 0.0801, 0.0748, 0.0768, 0.0764, 0.0773]), 
DenseVector([0.0806, 0.0751, 0.0786, 0.0753, 0.077, 0.0753, 0.0753, 0.0777, 0.0801, 0.0748, 0.0768, 0.0764, 0.0773])

我想矢量和所有其他矢量和存储之间，以计算相似性的概率分布稠密向量的产生矩阵。

我可以将完整的RDD转换为矩阵，然后取每一行并计算与所有其他行的距离。我想知道是否有更高效的方法来使用pyspark RDD方法来实现这一点。

来源

2017-03-07 user2825083

据我所知，没有一个功能可以在行之间进行余弦相似。所以你必须有点棘手才能到达你想要的地方。

首先使用rdd.cartesian(rdd)以列格式创建行对，这将成对匹配所有行。接下来，您需要定义一个余弦相似度函数并将其映射到rdd上。最后，将结果投射到一个np.array并重塑为6x6。

例子：

def cos_sim(row): 
    dot_product = row[0].dot(row[1]) 
    norm_a = np.sqrt(np.sum(row[0] * row[0])) 
    norm_b = np.sqrt(np.sum(row[1] * row[1])) 
    sim = dot_product/(norm_a * norm_b) 
    return sim 

rdd2 = rdd.cartesian(rdd) 
cosine_similarities = rdd2.map(lambda x: cos_sim(x)).collect() 
cosine_similariteis = np.array(cosine_similarities).reshape((6,6))

来源

2017-03-07 23:30:38 Grr

谢谢。这会有所帮助，但是这会是一项紧迫的任务。无论如何，我应该代表数据来使任务更简单。 – user2825083

Pyspark计算在RDD

回答

相关问题