Estoy tratando de hacer una matriz de multiplicación usando Apache Spark y Python.

Aquí están mis datos

from pyspark.mllib.linalg.distributed import RowMatrix

Mi RDD de vectores

rows_1 = sc.parallelize([[1, 2], [4, 5], [7, 8]])
rows_2 = sc.parallelize([[1, 2], [4, 5]])

Mi maxtrix

mat1 = RowMatrix(rows_1)
mat2 = RowMatrix(rows_2)

Me gustaría hacer algo como esto:

mat = mat1 * mat2

Escribí una función para procesar la multiplicación de la matriz, pero me temo que tenga un tiempo de procesamiento largo. Aquí está mi función:

def matrix_multiply(df1, df2):
    nb_row = df1.count()    
    mat=[]
    for i in range(0, nb_row):
        row=list(df1.filter(df1['index']==i).take(1)[0])
        row_out = []
        for r in range(0, len(row)):
            r_value = 0
            col = df2.select(df2[list_col[r]]).collect()
            col = [list(c)[0] for c in col]
            for c in range(0, len(col)): 
                r_value += row[c] * col[c]
            row_out.append(r_value)            
        mat.append(row_out)
    return mat 

Mi función hace muchas acciones de chispa (tomar, recoger, etc.). ¿La función tomará mucho tiempo de procesamiento? Si alguien tiene otra idea, será útil para mí.