PySpark中如何计算两个向量的余弦相似度？

Posted 2023-04-13

【中文标题】PySpark中如何计算两个向量的余弦相似度？

【英文标题】：How to calculate the cosine similarity of two vectors in PySpark?

【发布时间】：2017-10-15 03:34:15

【问题描述】：

我即将在 PySpark 中计算两个向量的余弦相似度，比如

1 - spatial.distance.cosine(xvec, yvec)

但 scipy 似乎不支持 pyspark.ml.linalg.Vector 类型。

【参考方案1】：

您可以使用dot 和norm 方法轻松计算：

from pyspark.ml.linalg import Vectors
x = Vectors.dense([1,2,3])
y = Vectors.dense([2,3,5])

1 - x.dot(y)/(x.norm(2)*y.norm(2))
# 0.0028235350472619603

---

使用 scipy：

from scipy.spatial.distance import cosine
​
x = np.array([1,2,3])
y = np.array([2,3,5])

cosine(x, y)
# 0.0028235350472619603

【讨论】：

@Psidom 为什么我不能将它应用于整个向量类型的列？像df_new = df_with_vectors.select("vector1", "vector2", "vector1.dot(vector2)/(vector1.norm(2)*vector2.norm(2)) as norm_src") 这样的东西会给出need struct type but got vector 的错误。