新的Dataframe列作为其他行的通用功能（火花）

Question

如何有效地创建一个新列 DataFrame ，它是其他行的功能 spark ？

这是spark我在这里描述的问题的一种实现：

from nltk.metrics.distance import edit_distance as edit_dist
from pyspark.sql.functions import col, udf
from pyspark.sql.types import IntegerType

d = {
    'id': [1, 2, 3, 4, 5, 6],
    'word': ['cat', 'hat', 'hag', 'hog', 'dog', 'elephant']
}

spark_df = sqlCtx.createDataFrame(pd.DataFrame(d))
words_list = list(spark_df.select('word').collect())

get_n_similar = udf(
    lambda word: len(
        [
            w for w in words_list if (w['word'] != word) and 
            (edit_dist(w['word'], word) < 2)
        ]
    ),
    IntegerType()
)

spark_df.withColumn('n_similar', get_n_similar(col('word'))).show()

输出：

+---+--------+---------+
|id |word    |n_similar|
+---+--------+---------+
|1  |cat     |1        |
|2  |hat     |2        |
|3  |hag     |2        |
|4  |hog     |2        |
|5  |dog     |1        |
|6  |elephant|0        |
+---+--------+---------+

这里的问题是我不知道一种方法，不能先将spark当前行与的其他行进行比较，Dataframe而不必先将值收集到中list。有没有一种方法可以应用其他行的泛型函数而无需调用collect？

Answer 1

这里的问题是，我不知道一种方法，可以在不首先将值收集到列表中的情况下，告诉spark将当前行与Dataframe中的其他行进行比较。

UDF是不是一种选择，在这里（你不能引用分布DataFrame在udf）你的逻辑的直接翻译是笛卡尔乘积和汇总：

from pyspark.sql.functions import levenshtein, col

result = (spark_df.alias("l")
    .crossJoin(spark_df.alias("r"))
    .where(levenshtein("l.word", "r.word") < 2)
    .where(col("l.word") != col("r.word"))
    .groupBy("l.id", "l.word")
    .count())

但实际上，您应该尝试做一些更有效的事情：ApacheSpark中的有效字符串匹配

根据问题，您应尝试查找其他近似值以避免完整的笛卡尔积。

如果要保留不匹配的数据，则可以跳过一个过滤器：

(spark_df.alias("l")
    .crossJoin(spark_df.alias("r"))
    .where(levenshtein("l.word", "r.word") < 2)
    .groupBy("l.id", "l.word")
    .count()
    .withColumn("count", col("count") - 1))

或（速度较慢，但​​通用性更高），请参考加入：

(spark_df
    .select("id", "word")
    .distinct()
    .join(result, ["id", "word"], "left")
    .na.fill(0))