如何在 Python 中有效地进行字节对编码二元组计数和替换？

Question

在Byte Pair Encoding 算法中，有一个替换步骤，它将由空格分隔的字符串更改为二元组。

即，给定一个 str 元组列表：

[('t', 'h', 'i', 's', '\ue000'), ('c', 'o', 'r', 'p', 'u', 's', '\ue000'), ('i', 'n', '\ue000'), ('t', 'x', 't', 'f', 'i', 'l', 'e', '\ue000'), ('t', 'h', 'e', '\ue000'), ('s', 'e', 'n', 't', 'e', 'n', 'c', 'e', '\ue000'), ('b', 'a', 'r', '\ue000'), ('a', 'n', 'd', '\ue000'), ('i', 's', '\ue000'), ('f', 'o', 'o', '\ue000'), ('f', 'i', 'r', 's', 't', '\ue000'), ('a', '\ue000'), ('.', '\ue000')]

还有一个字符串元组：('i', 's')

如何处理列表，使其遍历所有元组键并将('i', 's') 替换为('is')？，即输出Counter 将如下所示：

[('t', 'h', 'is', '\ue000'), ('c', 'o', 'r', 'p', 'u', 's', '\ue000'), ('i', 'n', '\ue000'), ('t', 'x', 't', 'f', 'i', 'l', 'e', '\ue000'), ('t', 'h', 'e', '\ue000'), ('s', 'e', 'n', 't', 'e', 'n', 'c', 'e', '\ue000'), ('b', 'a', 'r', '\ue000'), ('a', 'n', 'd', '\ue000'), ('is', '\ue000'), ('f', 'o', 'o', '\ue000'), ('f', 'i', 'r', 's', 't', '\ue000'), ('a', '\ue000'), ('.', '\ue000')]

我试过了：

>>> cin
[('t', 'h', 'i', 's', '\ue000'), ('c', 'o', 'r', 'p', 'u', 's', '\ue000'), ('i', 'n', '\ue000'), ('t', 'x', 't', 'f', 'i', 'l', 'e', '\ue000'), ('t', 'h', 'e', '\ue000'), ('s', 'e', 'n', 't', 'e', 'n', 'c', 'e', '\ue000'), ('b', 'a', 'r', '\ue000'), ('a', 'n', 'd', '\ue000'), ('i', 's', '\ue000'), ('f', 'o', 'o', '\ue000'), ('f', 'i', 'r', 's', 't', '\ue000'), ('a', '\ue000'), ('.', '\ue000')]
>>> [tuple(' '.join(i).replace(' '.join(qtuple), ''.join(qtuple)).split()) for i in cin]
[('t', 'h', 'is', '\ue000'), ('c', 'o', 'r', 'p', 'u', 's', '\ue000'), ('i', 'n', '\ue000'), ('t', 'x', 't', 'f', 'i', 'l', 'e', '\ue000'), ('t', 'h', 'e', '\ue000'), ('s', 'e', 'n', 't', 'e', 'n', 'c', 'e', '\ue000'), ('b', 'a', 'r', '\ue000'), ('a', 'n', 'd', '\ue000'), ('is', '\ue000'), ('f', 'o', 'o', '\ue000'), ('f', 'i', 'r', 's', 't', '\ue000'), ('a', '\ue000'), ('.', '\ue000')]

但是有没有比遍历每个单词更有效的方法，然后将它们更改为字符串以进行替换并再次拆分它们，然后将它们重新转换为元组？

正则表达式替换会更快吗？有没有办法在不处理字符串的情况下处理元组列表？

---

我已经尝试过了，似乎用str.replace 替换字符串不是问题。它真的是计算二元组并提取它们：

import io
from collections import Counter

import time

infile = 'big.txt' # comes from norvig.com/big.txt

n = 2
with io.open(infile, 'r', encoding='utf8') as fin:
    text = fin.read().lower().replace(u' ', u"\uE000")
    for j in range(1,6400):
        unused_char = unichr(ord(u'\uE001') + j)

        start = time.time()
        char_bigrams = zip(*[text[i:] for i in range(n)])
        bigram_time = time.time() - start

        start = time.time()
        most_freq_bigram = Counter(filter(lambda x: u"\uE000" not in x and '\n' not in x, char_bigrams)).most_common(1)[0][0]
        max_time = time.time() - start

        start = time.time()
        text = text.replace(''.join(most_freq_bigram), unused_char)
        replace_time = time.time() - start
        print j, ''.join(most_freq_bigram), most_freq_bigram, bigram_time, max_time, replace_time
    print text

这是在norvig.com/big.txt上测试的

[出]：

1 th (u't', u'h') 0.896255016327 3.28389787674 0.0253069400787
2 e (u'\ue002', u'e') 1.47053217888 3.16544914246 0.0280749797821
3 in (u'i', u'n') 1.13404297829 3.10529899597 0.0245559215546
4 an (u'a', u'n') 1.20013689995 3.63801002502 0.0242891311646
5 er (u'e', u'r') 1.41387891769 3.13376092911 0.0237591266632
6 on (u'o', u'n') 1.22826981544 3.06997895241 0.0227301120758
7 re (u'r', u'e') 1.21916294098 2.97599196434 0.0238041877747
8 at (u'a', u't') 1.14608097076 2.97988891602 0.0226521492004
9 en (u'e', u'n') 1.20747494698 2.88649988174 0.019054889679
10 ed (u'e', u'd') 1.16296696663 2.8995718956 0.0198271274567
11 is (u'i', u's') 1.17692494392 3.02292394638 0.0228500366211
12 d (u'\ue005', u'd') 1.13779211044 2.85169506073 0.0229239463806

我已经尝试过scikit-learnCountVectorizer，但我似乎没有使用zip那么快，请参阅Fast/Optimize N-gram implementations in python

此外，在Counter 步骤中没有它们的filter 操作，它需要更长的时间。 Counter 操作每次迭代需要 3 秒 =(

这个操作还能如何优化？

Counter(filter(lambda x: u"\uE000" not in x and '\n' not in x, char_bigrams)).most_common(1)[0][0]

Answer 1

如果你保持你的字符串元组长度为 2，你可以像这样使用 reduce：

def cons_2(word_list, t):
    j = ''.join(t)
    f = lambda acc, e: acc[:-1] + (j,) if (acc[-1] == t[0] and e == t[1]) else acc + (e,)
    return [reduce(f, i[1:], (i[0],)) for i in word_list]

print cons_2(cin, ('i', 's'))

不涉及替换，f 应用于每个元素 i，cin 的值不会改变，而是创建并返回一个新数组。

详情：

• reduce 对每个数组元素 i 应用 f 并将值返回给累加器 acc。
• reduce 参数：
  • f：要应用的函数。
  • i[1:]：要迭代除第一个之外的所有元素的数组。
  • (i[0],)：累加器的初始值，它是一个元组，输入元组的第一个值i。
• f: 是一个 lambda 函数，以累加器 acc 和当前元素 e 作为输入：
  • 如果累加器的最后一个元素等于字符串元组的第一个元素并且当前元素e等于字符串元组的第二个元素，则返回元组：acc[-1] + (j,)否则继续普通连接：acc + (e,)。

对于 > 2 的字符串元组，想法相同，但我们必须管理元组的长度 l。

def cons_n(word_list, t):
    l = len(t)
    j = ''.join(t)
    f = lambda acc, e: acc[:-l] + (j, e,) if acc[-l:] == t or acc[:l] == t else acc + (e,)
    return [reduce(f, i[l:], (i[:l])) for i in word_list]

print cons_n(cin, ('i', 's'))

这应该适用于 n 长度的字符串元组。

详情：

• 与上述相同的过程，但使用l：reduce 将f 应用于其余元素i[l:]，并且累加器的初始值是具有第一个l 元素的元组：(i[:l])。
• 向后和向前检查等于字符串元组t 的l 元素，如果为真，则添加元组：acc[:-l] + (j, e,)，否则继续正常连接：acc + (e,)。

这是一种函数式方法，不会修改数据而是生成数据，因此同时拥有多个进程应该是安全的（理论上，我不是 Python 解释器方面的专家）。

如果上面的代码对于不熟悉函数式编程的人来说太奇怪了，这是另一种方法：

def cons_n_iter(tuple_list, tuple_seq):
     jnt = ''.join(tuple_seq)
     lnt = len(tuple_seq)
     res = []
     for word in tuple_list:
         acc = (word[:lnt])
         for letter in word[lnt:]:
             if acc[-lnt:] == tuple_seq or acc[:lnt] == tuple_seq:
                 acc = acc[:-lnt] + (jnt, letter,)
             else:
                 acc += (letter,)
         res += (acc,)
     return res

print cons_n_iter(cin, ('i', 's'))

逻辑与函数式方法相同，累加器的使用相同。在这种情况下，res 累加器是显式的，因为在上面的示例中，reduce 负责处理它。

Answer 2

您的原始代码：

[tuple(' '.join(i).replace(' '.join(qtuple), ''.join(qtuple)).split()) for i in cin]

我会展开它，以便更容易看到发生了什么

result = []
qtuple = ("i", "s")
for i in cin:
    f = " ".join(qtuple)
    r = "".join(qtuple)
    word = ' '.join(i)
    word = word.replace(f, r)
    word = word.split()
    word = tuple(word)
    result.append(word)
print(result)

寻找可以移出循环的东西。 我们可以预先计算替换，而不是为每个单词计算替换

find = " ".join(qtuple)
replacement = "".join(qtuple)
result = []
# this will join and split each word once
for i in cin:
    word = " ".join(i)
    # if you had multiple replacements to do, they should be in an inner loop here
    word = word.replace(find, replacement)
    result.append(tuple(word.split(" ")))
print(result)

也许其他人可以谈论 str.replace 与 re.replace 的相对效率。我个人倾向于避免使用正则表达式，如果一个简单的替换就可以做到，只是为了可读性。

通过更改输入的数据结构可以进一步提高效率。如果替换符号是单个字符，那么我们可以使用字符串而不是元组列表，并避免循环内的任何连接。

result = []
replacements = [("\ue000", "X"), ("is", "Z")]
s = "".join(["".join(t) for t in cin])
for f, r in replacements:
    s = s.replace(f,r)
print(s)

# output: thZXcorpusXinXtxtfileXtheXsentenceXbarXandXZXfooXfirstXaX.X

我认为这个问题需要添加一些要求来解释为什么选择的数据结构是有利的。从效率的角度来看，在字节对编码算法的上下文中，字符串对我来说更有意义。

Answer 3

这是你需要的吗？使用重新。

import re,ast
cin = [('t','h',"i",'s', '\ue000'), ('c', 'i', 's', 'p')]
cin = re.sub(r"i'[,\s]+'s", r"is",str(cin))
cin = ast.literal_eval(cin)