• 功能介绍
    • 参数说明
    • 脚本示例
      • 脚本代码
      • 脚本运行结果
        • 输出数据

    功能介绍

    对输入表的每一行向量，在映射表中找到topN个最近邻的向量，输入表若为K行，输出则最多为K*topN行。

    参数说明

    名称 中文名称 描述 类型 是否必须？ 默认值
    distanceType 距离度量方式 聚类使用的距离类型，支持EUCLIDEAN 和 JACCARD String “EUCLIDEAN”
    topN 前N的数据 挑选最近的N个数据 Integer 5
    leftCol 左表文本列名 左表文本列名 String ✓
    rightCol 右表文本列名 右表文本列名 String ✓
    outputCol 输出结果列列名 输出结果列列名，必选 String ✓
    leftIdCol 左侧ID列 左侧ID列 String ✓
    rightIdCol 右侧ID列 右侧ID列 String ✓
    projectionWidth 桶的宽度 桶的宽度 Double 1.0
    numHashTables 哈希表的数目 哈希表的数目 Integer 1
    selectedCol 选中的列名 计算列对应的列名 String ✓
    numProjectionsPerTable 每个哈希表中的哈希函数个数 每个哈希表中的哈希函数个数 Integer 1
    seed 采样种子 采样种子 Long 0

    脚本示例

    脚本代码

    1. import numpy as np
    2. import pandas as pd
    3. data = np.array([
    4.     [0, "0 0 0"],
    5.     [1, "1 1 1"],
    6.     [2, "2 2 2"]
    7. ])
    8. df = pd.DataFrame({"id": data[:, 0], "vec": data[:, 1]})
    10. source = BatchOperator.fromDataframe(df, schemaStr='id int, vec string')
    11. op = (
    12.     ApproxVectorSimilarityTopNLSHBatchOp()
    13.     .setLeftIdCol("id")
    14.     .setRightIdCol("id")
    15.     .setLeftCol("vec")
    16.     .setRightCol("vec")
    17.     .setOutputCol("output"))
    18. op.linkFrom(source, source).collectToDataframe()

    脚本运行结果

    输出数据
    1. rowID id_right id_left output    rank
    2. 0    0    0    0.0    1
    3. 1    1    1    0.0    1
    4. 2    2    2    0.0    1