如何计算数据框中每一行与常量参考数组的欧式距离

Question

我有一个数据框，它是从具有 512 列（所有浮点值）的镶木地板文件创建的。

我正在尝试计算数据框中每一行与常量参考数组的欧氏距离。

我的开发环境是 Zeppelin 0.7.3，spark 2.1 和 Scala。这是我运行:

的飞艇段落

import org.apache.spark.ml.feature.VectorAssembler
import org.apache.spark.ml.linalg.Vectors

//Create dataframe from parquet file
val filePath = "/tmp/vector.parquet/*.parquet" 
val df = spark.read.parquet(filePath)

//Create assembler and vectorize df
val assembler = new VectorAssembler()
  .setInputCols(df.columns)
  .setOutputCol("features")
val training = assembler.transform(df)

//Create udf
val eucDisUdf = udf((features: Vector, 
myvec:Vector)=>Vectors.sqdist(features, myvec))

//Cretae ref vector
val myScalaVec = Vectors.dense( Array.fill(512)(25.44859))
val distDF = 
training2.withColumn("euc",eucDisUdf($"features",myScalaVec))

此代码为 eucDisUdf 调用提供了以下错误：

error: type mismatch;  found   : org.apache.spark.ml.linalg.Vector 
required: org.apache.spark.sql.Column

我很欣赏如何在 scala 中消除此错误并正确计算距离。

Answer 1

我认为你可以使用柯里化来实现：

def eucDisUdf(myvec:Vector) = udf((features: Vector) => Vectors.sqdist(features, myvec))

val myScalaVec = Vectors.dense(Array.fill(512)(25.44859))

val distDF = training2.withColumn( "euc", eucDisUdf(myScalaVec)($"features") )

如何计算数据框中每一行与常量参考数组的欧式距离

How to calculate euclidean distance of each row in a dataframe to a constant reference array

scala

euclidean-distance

apache-spark