【发布时间】:2021-08-01 21:18:27
【问题描述】:
我有一个起点和终点的列表以及它们的地理坐标。我需要计算每个起点到目的地的最短距离。
下面是我的代码:
import pyspark.sql.functions as F
from haversine import haversine_vector, Unit
data1 = [("A", (45.7597, 4.8422)), ("B", (46.7431, 5.8422))]
columns1 = ["Origin", "Origin_Geo"]
df1 = spark.createDataFrame(data=data1, schema=columns1)
data2 = [("Destin1", (48.8567, 2.3508)), ("Destin2", (40.7033962, -74.2351462))]
columns2 = ["Destination", "Destination_Geo"]
df2 = spark.createDataFrame(data=data2, schema=columns2)
df = df1.crossJoin(df2)
df.withColumn(
"Distance", haversine_vector(F.col("Origin_Geo"), F.col("Destination_Geo"))
).groupBy("Origin").agg(F.min("Distance").alias("Min_Distance")).show()
我收到如下错误:
IndexError: too many indices for array: array is 0-dimensional, but 2 were indexed
我的问题是:
-
withColumn('Distance', haversine_vector(F.col('Origin_Geo'), F.col('Destination_Geo')))似乎有问题。我不知道为什么。 (我是 pyspark 的新手..) -
我有一长串出发地和目的地(都超过 30K)。交叉连接会生成许多起点和终点的组合。我想知道是否有更有效的方法来获得最小距离?
非常感谢。
【问题讨论】:
-
你为什么用
haversine_vector而不是haversine?