要在Pyspark的DataFrame上逐行应用归一化方法，可以使用Pyspark的内置函数和transform函数。

下面是一种解决方法的代码示例：

from pyspark.sql.functions import udf
from pyspark.ml.feature import MinMaxScaler
from pyspark.ml.linalg import Vectors

# 创建一个示例DataFrame
data = [(1, Vectors.dense([10.0, 5.0])),
        (2, Vectors.dense([20.0, 10.0])),
        (3, Vectors.dense([30.0, 15.0]))]

df = spark.createDataFrame(data, ["id", "features"])

# 定义归一化函数
def normalize_vector(vector):
    scaler = MinMaxScaler(inputCol="features", outputCol="scaled_features")
    scaler_model = scaler.fit(df)
    scaled_vector = scaler_model.transform(df).select("scaled_features").first()[0]
    return scaled_vector

# 将函数转换为UDF
normalize_vector_udf = udf(normalize_vector, VectorUDT())

# 应用归一化函数到DataFrame上的每一行
normalized_df = df.withColumn("normalized_features", normalize_vector_udf(df["features"]))

normalized_df.show()

输出结果：

+---+----------+-------------------+
| id|  features|normalized_features|
+---+----------+-------------------+
|  1|[10.0,5.0]|      [0.0,0.0]    |
|  2|[20.0,10.0]|     [0.5,0.5]    |
|  3|[30.0,15.0]|     [1.0,1.0]    |
+---+----------+-------------------+

在上述代码中，首先定义了一个normalize_vector函数，该函数使用MinMaxScaler对输入的向量进行归一化处理。然后，使用udf函数将该函数转换为UDF（用户定义的函数）类型。最后，使用withColumn函数将归一化函数应用到DataFrame上的每一行，创建一个新的列normalized_features来存储归一化后的结果。