我遇到的问题与问here相同,但是我需要在pyspark中解决问题并且没有微风。
例如,如果我的pyspark数据帧看起来像这样:
user | weight | vec
"u1" | 0.1 | [2, 4, 6]
"u1" | 0.5 | [4, 8, 12]
"u2" | 0.5 | [20, 40, 60]
其中列权重类型为double,列vec类型为Array [Double],我想获取每个用户向量的加权总和,以便获得如下所示的数据帧:
user | wsum
"u1" | [2.2, 4.4, 6.6]
"u2" | [10, 20, 30]
为此,我尝试了以下操作:
df.groupBy('user').agg((F.sum(df.vec* df.weight)).alias("wsum"))
但是由于vec列和weight列具有不同的类型,因此失败。
我如何不费吹灰之力地解决此错误?
正在使用Spark 2.4提供的使用高阶函数transform
的途中:
# get size of vec array
n = df.select(size("vec")).first()[0]
# transform each element of the vec array
transform_expr = "transform(vec, x -> x * weight)"
df.withColumn("weighted_vec", expr(transform_expr)) \
.groupBy("user").agg(array(*[sum(col("weighted_vec")[i]) for i in range(n)]).alias("wsum"))\
.show()
给予:
+----+------------------+
|user| wsum|
+----+------------------+
| u1| [2.2, 4.4, 6.6]|
| u2|[10.0, 20.0, 30.0]|
+----+------------------+
对于Spark <2.4,使用for理解将每个元素乘以weight
列,如下所示:
df.withColumn("weighted_vec", array(*[col("vec")[i] * col("weight") for i in range(n)])) \
.groupBy("user").agg(array(*[sum(col("weighted_vec")[i]) for i in range(n)]).alias("wsum")) \
.show()