碰巧，我有一个解决方案，包括将sklearn和Spark结合起来：https://adventuresindatascience.wordpress.com/2016/04/02/integrating-spark-with-scikit-learn-visualizing-eigenvectors-and-fun/
它的要点是：

• 集中使用sklearn的k-NN fit（）方法
• 但随后使用sklearn的k-NN kneighbors（）方法进行分布式

对所有记录进行暴力比较是一场失败的战斗。我的建议是使用一个现成的k-Nearest Neighbor算法实现，比如scikit-learn提供的算法，然后广播索引和距离的结果数组，并进一步执行。
这种情况下的步骤是：
1-按照Bryce的建议对要素进行矢量化，并让矢量化方法返回一个浮点数列表（或numpy数组），其中包含与要素一样多的元素
2-将scikit-learn神经网络与您的数据相匹配：

nbrs = NearestNeighbors(n_neighbors=10, algorithm='auto').fit(vectorized_data)

3-在向量化数据上运行经过训练的算法（在您的情况下，训练和查询数据是相同的）

distances, indices = nbrs.kneighbors(qpa)

步骤2和步骤3将在pyspark节点上运行，在本例中是不可并行的。您需要在此节点上有足够的内存。在我的情况下，1。500万张唱片和4个专题片，花了一两秒钟。
在我们为spark实现NN之前，我想我们必须坚持这些解决方案。如果您更喜欢尝试新的东西，那么选择http://spark-packages.org/package/saurfang/spark-knn

你没有提供很多细节，但我对这个问题采取的一般方法是：
1.将记录转换为一个数据结构，例如具有（ID，x1..x100）作为标签和特征
1.Map每个记录并将该记录与所有其他记录进行比较（这里有很多优化空间）
1.创建一些中断逻辑，以便一旦开始比较ID = 5和ID = 1，就会中断计算，因为已经比较了ID = 1和ID = 5
1.一些减少步骤以获得类似{id_pair: [1,5], distance: 123}的数据结构
1.另一个Map步骤是查找每条记录的10个最近邻居
你已经确定了pyspark，我通常使用scala来完成这类工作，但每一步的伪代码可能如下所示：

# 1. vectorize the features
def vectorize_raw_data(record)
    arr_of_features = record[1..99]
    LabeledPoint( record[0] , arr_of_features)

# 2,3 + 4 map over each record for comparison
broadcast_var = [] 
def calc_distance(record, comparison)
    # here you want to keep a broadcast variable with a list or dictionary of
    # already compared IDs and break if the key pair already exists
    # then, calc the euclidean distance by mapping over the features of
    # the record and subtracting the values then squaring the result, keeping 
    # a running sum of those squares and square rooting that sum
    return {"id_pair" : [1,5], "distance" : 123}    

for record in allRecords:
  for comparison in allRecords:
    broadcast_var.append( calc_distance(record, comparison) )

# 5. map for 10 closest neighbors

def closest_neighbors(record, n=10)
     broadcast_var.filter(x => x.id_pair.include?(record.id) ).takeOrdered(n, distance)

伪代码很糟糕，但我认为它传达了意图。当你将所有记录与所有其他记录进行比较时，这里将有很多 Shuffle 和排序。恕我直言，你想把密钥对/距离存储在一个中心位置（就像一个广播变量，虽然这很危险，但它会被更新），以减少你执行的总欧氏距离计算。

@xenocyon的博客遗漏了很多关于格式和用法的信息，为了更好地理解，我在下面写了一个片段。

df = df.withColumn('vector_list', F.array('x1', 'x2', 'x3', ... , 'x100'))
vectors_collected = df.select(df['x1'],df['x2'], ... , df['x100']).rdd.map(list).collect()
knn = NearestNeighbors(n_neighbors=5).fit(vectors_collected)
broadcast_knn = spark.sparkContext.broadcast(knn)
knn_results = df.select(df['vector_list']).rdd.map(lambda x: broadcast_knn.value.kneighbors(x))

下面的代码用于复制类似于sklearn的距离和索引。

numpy_knn_results = np.array(knn_results.collect())
# k is 5, hence reshape with 5 each row.
distance = numpy_knn_results.reshape(numpy_knn_results.shape[0]*2, 5)[0::2]
indices = numpy_knn_results.reshape(numpy_knn_results.shape[0]*2, 5)[1::2]