要保留原始索引的Spark RowMatrix列相似性，可以使用Spark的mllib库中的IndexedRowMatrix和CoordinateMatrix。

下面是一个示例代码，展示了如何计算保留原始索引的列相似性：

import org.apache.spark.mllib.linalg.{Matrix, SingularValueDecomposition, Vectors}
import org.apache.spark.mllib.linalg.distributed.{CoordinateMatrix, IndexedRow, IndexedRowMatrix, MatrixEntry}

// 创建一个示例的RowMatrix
val rows = Seq(
  Vectors.dense(1.0, 2.0, 3.0),
  Vectors.dense(4.0, 5.0, 6.0),
  Vectors.dense(7.0, 8.0, 9.0)
)
val rdd = spark.sparkContext.parallelize(rows)
val rowMatrix = new RowMatrix(rdd)

// 将RowMatrix转换为IndexedRowMatrix
val indexedRows = rowMatrix.rows.zipWithIndex.map {
  case (row, index) => IndexedRow(index, row)
}
val indexedRowMatrix = new IndexedRowMatrix(indexedRows)

// 计算列相似性
val transposedMatrix = indexedRowMatrix.toCoordinateMatrix().transpose()
val columnSimilarities = transposedMatrix.columnSimilarities()

// 打印结果
columnSimilarities.entries.collect().foreach { case MatrixEntry(i, j, similarity) =>
  println(s"Column $i and column $j have similarity: $similarity")
}

上述代码首先创建了一个示例的RowMatrix，然后将其转换为IndexedRowMatrix。接下来，使用toCoordinateMatrix()方法将IndexedRowMatrix转换为CoordinateMatrix，以便计算列相似性。最后，通过调用columnSimilarities()方法计算列相似性，并打印结果。

在这个示例中，我们保留了原始索引，因为IndexedRowMatrix会为每个向量分配一个唯一的索引。这样，我们就可以在计算列相似性后，根据索引还原相似性的列。