代码杂谈 之 pyspark如何做相似度计算

在 PySpark 中，计算 DataFrame 两列向量的差可以通过使用 UDF（用户自定义函数）和 Vector 类型完成。这里有一个示例，展示了如何使用 PySpark 的

• pyspark.ml.linalg.Vectors
• pyspark.sql.functions.udf

来实现这一功能：

首先，确保你已经安装了 PySpark 并且正确设置了 SparkSession。接下来，你可以按照以下步骤操作：

1. 导入必要的模块。
2. 创建一个简单的 DataFrame 示例，其中包含两列向量。
3. 定义一个计算向量差的函数。
4. 将此函数转换为 UDF。
5. 使用 UDF 在 DataFrame 上添加一列来存储向量差。

from pyspark.sql import SparkSession
from pyspark.sql.functions import udf
from pyspark.sql.types import ArrayType, FloatType
from pyspark.ml.linalg import Vectors

# 创建 SparkSession
spark = SparkSession.builder \
    .appName("Vector Difference in PySpark") \
    .getOrCreate()

# 创建示例 DataFrame
data = [(Vectors.dense([1.0, 2.0]), Vectors.dense([4.0, 6.0])),
        (Vectors.dense([2.0, 3.0]), Vectors.dense([5.0, 7.0]))]
df = spark.createDataFrame(data, ["vectorA", "vectorB"])

# 定义计算向量差的函数(余弦距离/欧几里得距离)
def cos_sim(a,b):
    return float(np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b)))

def euclidean_distance(v1, v2):
    return float(np.linalg.norm(np.array(v1) - np.array(v2)))

cos_sim_udf = F.udf(cos_sim,FloatType())

# 在 DataFrame 上使用 UDF 添加新列
tmp_df = tmp_df.withColumn("cos_sim", cos_sim_udf('vectorA','vectorB'))
# 打印结果
df.show()