python - 计算熊猫数据框的余弦距离

Question

我有一个形状（70000 x 10）的熊猫数据框（比如df）。数据框头部如下图所示：

                          0_x       1_x       2_x  ...       7_x       8_x       9_x
userid                                             ...                              
1000010249674395648  0.000007  0.999936  0.000007  ...  0.000007  0.000007  0.000007
1000282310388932608  0.000060  0.816790  0.000060  ...  0.000060  0.000060  0.000060
1000290654755450880  0.000050  0.000050  0.000050  ...  0.000050  0.191159  0.000050
1000304603840241665  0.993157  0.006766  0.000010  ...  0.000010  0.000010  0.000010
1000600081165438977  0.000064  0.970428  0.000064  ...  0.000064  0.000064  0.000064 

我想找到用户 ID 之间的成对余弦距离。例如：

余弦距离（1000010249674395648，1000282310388932608）= 0.9758776214797362

我使用了这里提到的以下方法，但是由于 CPU 内存有限，在计算余弦距离时都会抛出内存错误：

1. scikit-learn 的 cosine_similarity：

   from sklearn.metrics.pairwise import cosine_similarity
   cosine_sim = cosine_similarity(df)
   

2. 网上找到的更快的矢量化解决方案：

   def get_cosine_sim_df(df):
         topic_vectors = df.values
         norm_topic_vectors = topic_vectors / np.linalg.norm(topic_vectors, axis=-1)[:, np.newaxis]
         cosine_sim = np.dot(norm_topic_vectors, norm_topic_vectors.T)
         cosine_sim_df = pd.DataFrame(data = cosine_sim, index=df.index, columns=df.index)
         return cosine_sim_df
   
   cosine_sim = get_cosine_sim_df(df)
   

系统硬件概述：

  Model Name: MacBook Pro
  Model Identifier: MacBookPro11,4
  Processor Name: Quad-Core Intel Core i7
  Processor Speed: 2.2 GHz
  Number of Processors: 1
  Total Number of Cores: 4
  L2 Cache (per Core): 256 KB
  L3 Cache: 6 MB
  Hyper-Threading Technology: Enabled
  Memory: 16 GB

我正在寻找一种有效的方法和更快的方法来计算 CPU 内存限制内的成对余弦距离，类似于 pyspark 数据帧或 pandas 批处理技术，而不是一次处理所有数据帧。

任何建议/方法表示赞赏。

仅供参考 - 我正在使用 Python 3.7

标签： pythonpandasdataframepysparkpyspark-sql

Answer 1

我正在使用 spark 2.4 和 python 3.7

# build spark session
from pyspark.sql import SparkSession
spark = SparkSession.builder \
                    .master("local") \
                    .appName("cos_sim") \
                    .config("spark.some.config.option", "some-value") \
                    .getOrCreate()

将您的 pandas df 转换为 spark df

# Pandas to Spark
df = spark_session.createDataFrame(pand_df)

我生成了一些随机数据，而不是

import random
import pandas as pd
from pyspark.sql.functions import monotonically_increasing_id 

def generate_random_data(num_usrs = 20, num_cols = 10):
    cols = [str(i)+"_x" for i in range(num_cols)]
    usrsdata = [ [random.random() for i in range(num_cols)] for i in range(num_usrs)]
#     return pd.DataFrame(usrsdata, columns = cols)
    return spark.createDataFrame(data = usrsdata, schema = cols)

df = generate_random_data()
df = df.withColumn("uid", monotonically_increasing_id())
df.limit(5).toPandas()   # just for nice display of df (df not actually changed)

将 df 的列转换为特征向量

from pyspark.ml.feature import VectorAssembler
assembler = VectorAssembler(inputCols=df.columns, outputCol="features")
assembled = assembler.transform(df).select(['uid', 'features'])
assembled.limit(2).toPandas()

标准化

from pyspark.ml.feature import Normalizer
normalizer = Normalizer(inputCol="features", outputCol="norm")
data = normalizer.transform(assembled)
data.limit(2).toPandas()

计算成对余弦相似度

from pyspark.mllib.linalg.distributed import IndexedRow, IndexedRowMatrix
mat = IndexedRowMatrix(data.select("uid", "norm").rdd\
        .map(lambda row: IndexedRow(row.uid, row.norm.toArray()))).toBlockMatrix()
dot = mat.multiply(mat.transpose())
dot.toLocalMatrix().toArray()[:2]  # displaying first 2 users only

参考资料： 在 pyspark 中计算数据帧所有行之间的余弦相似度