如何获取 Spark DataFrame 中每行列表中最大值的索引？

Question

我已经完成了 LDA 主题建模并将其存储在lda_model.转换我的原始输入数据集后，我检索了一个 DataFrame。其中一列是 topicDistribution，其中该行属于 LDA 模型中每个主题的概率。因此，我想获取每行列表中最大值的索引。df -- | 'list_of_words' | 'index ' | 'topicDistribution' |        ['product','...']     0       [0.08,0.2,0.4,0.0001]          .....             ...         ........我想转换 df 以便添加一个附加列，它是每行 topicDistribution 列表的 argmax。df_transformed --  | 'list_of_words' | 'index' | 'topicDistribution' | 'topicID' |                    ['product','...']     0     [0.08,0.2,0.4,0.0001]      2                       ......            ....         .....              ....我该怎么做？

Answer 1

您可以创建一个用户定义的函数来获取最大值的索引

from pyspark.sql import functions as f

from pyspark.sql.types import IntegerType

max_index = f.udf(lambda x: x.index(max(x)), IntegerType())

df = df.withColumn("topicID", max_index("topicDistribution"))

例子

>>> from pyspark.sql import functions as f

>>> from pyspark.sql.types import IntegerType 

>>> df = spark.createDataFrame([{"topicDistribution": [0.2, 0.3, 0.5]}])

>>> df.show()

+-----------------+

|topicDistribution|

+-----------------+

|  [0.2, 0.3, 0.5]|

+-----------------+

>>> max_index = f.udf(lambda x: x.index(max(x)), IntegerType())

>>> df.withColumn("topicID", max_index("topicDistribution")).show()

+-----------------+-------+

|topicDistribution|topicID|

+-----------------+-------+

|  [0.2, 0.3, 0.5]|      2|

+-----------------+-------+

编辑：

由于您提到其中的列表topicDistribution是 numpy 数组，因此您可以更新max_index udf如下：

max_index = f.udf(lambda x: x.tolist().index(max(x)), IntegerType())