PYSPARK:如何查找 pyspark 数据帧中两列的余弦相似性

Question

如何在 pyspark 数据帧中找到两列之间的余弦相似性？

假设我有一个火花数据帧

|a |b |
+--+--|
|1 |4 |
|2 |5 |
|3 |6 |
+--+--+

现在我想知道 a 列中的值和 b 列中的值之间的余弦相似性是什么，即

cosine_similarity([1, 2, 3], [4, 5, 6]) 

Answer 1

我假设您想找到 2 列之间的相似性。假设您有此数据帧：

df = spark.createDataFrame(pd.DataFrame([[1,2], [3,4]], columns=['a', 'b']))

制作简单的函数来获取数据帧和两个列名。

import pyspark.sql.functions as func
def cosine_similarity(df, col1, col2):
    df_cosine = df.select(func.sum(df[col1] * df[col2]).alias('dot'), 
                          func.sqrt(func.sum(df[col1]**2)).alias('norm1'), 
                          func.sqrt(func.sum(df[col2] **2)).alias('norm2'))
    d = df_cosine.rdd.collect()[0].asDict()
    return d['dot']/(d['norm1'] * d['norm2'])
cosine_similarity(df, 'a', 'b') # output 0.989949