在pyspark SQL DataFrame中乘以稀疏向量的行

Question

我在将SQL数据框中的列元素相乘时遇到困难。

sv1 = Vectors.sparse(3, [0, 2], [1.0, 3.0])
sv2 = Vectors.sparse(3, [0, 1], [2.0, 4.0])

def xByY(x,y):
  return np.multiply(x,y)

print(xByY(sv1, sv2))

以上作品。

但是下面没有。

xByY_udf = udf(xByY)

tempDF = sqlContext.createDataFrame([(sv1, sv2), (sv1, sv2)], ('v1', 'v2'))
tempDF.show()

print(tempDF.select(xByY_udf('v1', 'v2')).show())

非常感谢！

Answer 1

如果你希望你的udf返回一个SparseVector ，我们首先需要修改你的函数的输出，其次设定的输出模式udf到VectorUDT()

要声明SparseVector ，我们需要原始数组的大小 ，以及索引和非零元素的值 。 如果乘法的中间结果是一个list我们可以使用len()和list comprehensions找到它们：

from pyspark.ml.linalg import Vectors, VectorUDT

def xByY(x,y):
  res = np.multiply(x,y).tolist()
  vec_args =  len(res), [i for i,x in enumerate(res) if x != 0], [x for x in res if x != 0] 
  return Vectors.sparse(*vec_args)  

现在我们可以声明我们的udf并对其进行测试：

xByY_udf = udf(xByY, VectorUDT())
tempDF.select(xByY_udf('v1', 'v2')).show()
+-------------+
| xByY(v1, v2)|
+-------------+
|(3,[0],[2.0])|
|(3,[0],[2.0])|
+-------------+