评估来自两个数据范围的行的所有组合

Question

我有两个大型火花数据框，都包含坐标。让我们称他们位置和站点：

loc = [('01', 0.2, 0.9), ('02', 0.3, 0.6), ('03', 0.8, 0.1)]
locations = sqlContext.createDataFrame(loc, schema=['id', 'X', 'Y'])
site = [('A', 0.7, 0.1), ('B', 0.3, 0.7), ('C', 0.9, 0.3), ('D', 0.3, 0.8)]
sites = sqlContext.createDataFrame(site, schema=['name', 'X', 'Y'])

位置：

+---+---+---+
| id|  X|  Y|
+---+---+---+
| 01|0.2|0.9|
| 02|0.3|0.6|
| 03|0.8|0.1|
+---+---+---+

站点：

+----+---+---+
|name|  X|  X|
+----+---+---+
|   A|0.7|0.1|
|   B|0.3|0.7|
|   C|0.9|0.3|
|   D|0.3|0.8|
+----+---+---+

现在，我想以有效的方式计算最接近站点的位置。这样我就得到了类似的东西：

+----+---+
|name| id|
+----+---+
|   A| 03|
|   B| 02|
|   C| 03|
|   D| 01|
+----+---+

我一直在考虑首先使用所有信息制作一个大数据框架，然后使用MAP/RELAD来使位置ID最接近所有站点。但是，我不知道那是正确的方法，还是我将如何使用Spark进行此操作。目前我使用此：

closest_locations = []
for s in sites.rdd.collect():
    min_dist = float('inf')
    min_loc = None
    for l in locations.rdd.collect():
        dist = (l.X - s.X)**2 + (l.Y - s.Y)**2
        if dist < min_dist:
            min_dist = dist
            min_loc = l.id
    closest_locations.append((s.name, min_loc))
selected_locations = sqlContext.createDataFrame(closest_locations, schema=['name', 'id'])

，但我想要一种更像火花的方法，因为上述显然非常慢。如何有效地评估两个火花数据框的行的所有组合？

Answer 1

您可以：

from pyspark.sql.functions import udf, struct
from pyspark.sql import DoubleType

dist = udf(lamdba x1, y1, x2, y2: (x1 - x2)**2 + (y1 - y1)**2, DoubleType())
locations.join(sites).withColumn("dist", dist(
    locations.X, locations.Y, sites.X, sites.Y)).select(
  "name", struct("id", "dist")
).rdd.reduceByKey(lambda x, y: min(x, y, key=lambda x: x[1]))