Multiplicación de Spark Matrix con Python
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.