如何在 Spark/Scala 中找到 DataFrame 的 sparkVector 元素的 sum/avg？

Question

我在 Graphframes 中有来自 ParallelPersonalizedPageRank 的 pageranks 结果，它是一个 DataFrame，每个元素都是 sparseVector，如下所示：

+---------------------------------------+
|           pageranks                   |
+---------------------------------------+
|(1887,[0, 1, 2,...][0.1, 0.2, 0.3, ...]|
|(1887,[0, 1, 2,...][0.2, 0.3, 0.4, ...]|
|(1887,[0, 1, 2,...][0.3, 0.4, 0.5, ...]|
|(1887,[0, 1, 2,...][0.4, 0.5, 0.6, ...]|
|(1887,[0, 1, 2,...][0.5, 0.6, 0.7, ...]|

添加 sparseVector 的所有元素并生成总和或平均值的最佳方法是什么？我想我们可以使用 toArray 将每个 sparseVector 转换为 denseVector 并遍历每个数组以使用两个嵌套循环获得结果，并得到类似这样的东西：

+-----------+
|pageranks  |
+-----------+
|avg1|
|avg2|
|avg3|
|avg4|
|avg5|
|... |

我确信应该有更好的方法，但我在 API 文档中找不到太多关于 sparseVector 操作的信息。谢谢！

Answer 1

我想我找到了一个解决方案，无需收集（具体化）结果并在 Scala 中执行嵌套循环。只是 post 以防对其他人有帮助。

// convert Dataset element from SparseVector to Array
val ranksNursingArray = ranksNursing.vertices
  .orderBy("id")
  .select("pageranks")
  .map(r => 
  r(0).asInstanceOf[org.apache.spark.ml.linalg.SparseVector].toArray)
// Find average value of pageranks and add a column to DataFrame
val ranksNursingAvg = ranksNursingArray
  .map{case (value) => (value, value.sum/value.length)}
  .toDF("pageranks", "pr-avg")

最终结果如下所示：

+--------------------+--------------------+                                     
|           pageranks|              pr-avg|
+--------------------+--------------------+
|[1.52034575371428...|2.970332668789975E-5|
|[0.0, 0.0, 0.0, 0...|5.160299770346173E-6|
|[0.0, 0.0, 0.0, 0...|4.400537827779479E-6|
|[0.0, 0.0, 0.0, 0...|3.010621958524792...|
|[0.0, 0.0, 4.8987...|2.342424435412115E-5|
|[0.0, 0.0, 1.6895...|6.955151139681538E-6|
|[0.0, 0.0, 1.5669...| 5.47016001804886E-6|
|[0.0, 0.0, 0.0, 2...|2.303811469709906E-5|
|[0.0, 0.0, 0.0, 3...|1.985155979369427E-5|
|[0.0, 0.0, 0.0, 0...|1.411993797780601...|
+--------------------+--------------------+

如何在 Spark/Scala 中找到 DataFrame 的 sparkVector 元素的 sum/avg？

How to find sum/avg of sparkVector element of a DataFrame in Spark/Scala?

scala

spark-dataframe

graphframes