为什么这两种变体之间的速度差异如此之大？

Question

版本 1：

import string, pandas as pd
def correct_contraction1(x, dic):
    for word in dic.keys():
        if word in x:
            x = x.replace(word, " " + dic[word]+ " ")
    return x

版本 2：

import string, pandas as pd
def correct_contraction2(x, dic):
    for word in dic.keys():
        if " " + word + " " in x:
            x = x.replace(" " + word + " ", " " + dic[word]+ " ")
    return x

我如何使用它们：

train['comment_text'] = train['comment_text'].apply(correct_contraction1,args=(contraction_mapping,))
#3 mins 40 sec without that space thing (version1)

train['comment_text'] = train['comment_text'].apply(correct_contraction2,args=(contraction_mapping,))
#5 mins 56 sec with that space thing (version2)

为什么会有如此大的速度差异，这不太可能是这种情况，其次是任何更好/隐藏的 pandas 技巧来进一步优化这一点？ （代码已经在 Kaggle Kernels 上测试过多次）

• train 是一个数据框，在这两种情况下都有 200 万行，也完全相同
• contraction_mapping 是一个字典映射...（两种情况都一样）
• 希望有最新的熊猫。

编辑

• 数据来自Kaggle Comp，版本 1 更快！

Answer 1

很抱歉没有回答差异，但在任何情况下都可以轻松改进当前的方法。它对你来说很慢，因为你必须多次扫描所有句子（每个单词）。您甚至要检查每个单词两次，首先是否存在，然后替换它 - 您可以只替换。

这是进行文本替换时的关键一课，无论是使用正则表达式、简单的字符串替换，还是开发自己的算法：尝试只检查文本一次。无论您要替换多少个单词。正则表达式有很长的路要走，但根据实现需要在找不到命中时返回几个字符。感兴趣的人：查找 trie 数据结构。

尝试一个快速文本搜索的实现（aho-corasick）。我正在为此开发一个库，但在那之前，您可以使用flashtext（它的作用略有不同）：

import flashtext
# already considers word boundaries, so no need for " " + word " "
fl = flashtext.KeywordProcessor()
fl.add_keywords_from_dict(dic)

train['comment_text'] = train['comment_text'].apply(fl.replace_keywords)

如果你有很多词要替换，这会快几个数量级。

比较我能找到的第一个数据：

Words to replace: 8520
Sentences to replace in: 11230
Replacements made using flashtext: 1706
Replacements made using correct_contraction1: 25 

flashtext: (considers word boundaries and ignores case)
39 ms ± 355 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

correct_contraction1: (does not consider case nor words at end of line)
11.9 s ± 194 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

<unannounced>
30 ms ± 366 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

所以我们说的是 300 倍的加速。这不会每天都发生;-)

作为参考，Jon Clements 添加了正则表达式：

pandas.str.replace + regex (1733 replacements)
3.02 s ± 82.7 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

在我测试时，我的新库将再减少 30%。我也看到了 2-3 倍于 flashtext 的改进，但更重要的是，作为用户，您可以拥有更多的控制权。它功能齐全，只需要清理它并添加更多文档即可。

答案到了我会更新的！

Answer 2

您最好在此处使用 Pandas 的 Series.str.replace 并根据查找表的内容为其提供编译的正则表达式。这意味着字符串替换操作可以比应用函数更快地在 Series 上工作，这也意味着您不会以字符串方式扫描，比您需要的时间要多得多......希望它可以将您的时间减少到几秒钟分钟。

import re
import pandas as pd

corrections = {
    "it's": "it is",
    "can't": "can not",
    "won't": "will not",
    "haven't": "have not"
}

sample = pd.Series([
    "Stays the same",
    "it's horrible!",
    "I hope I haven't got this wrong as that won't do",
    "Cabbage"
])

然后构建您的正则表达式，以便它在字典中查找任何可能的匹配项，不区分大小写并尊重单词边界：

rx = re.compile(r'(?i)\b({})\b'.format('|'.join(re.escape(c) for c in corrections)))

然后应用到您的列（例如将sample 更改为training['comment_text']）str.replace 传递正则表达式和一个函数，该函数接受匹配并返回找到的键的匹配值：

corrected = sample.str.replace(rx, lambda m: corrections.get(m.group().lower()))

那么您将拥有corrected 作为一个包含：

['Stays the same',
 'it is horrible!',
 'I hope I have not got this wrong as that will not do',
 'Cabbage']

注意It's 的大小写...它已被不区分大小写地提取并改为it is... 有多种方法可以保留大小写，但它可能不是非常重要并且完全是一个不同的问题。

Answer 3

第二个版本必须在每次循环中执行连接" " + word + " "，当它找到匹配时，它会第二次执行替换。这让它变慢了。

您无法避免第一个串联（除非您修改 dic 以便键周围已经有空格）。但是您可以通过第一次将其保存在变量中来避免第二次串联。它仍然会比第一个版本慢，但不会慢很多。

def correct_contraction2(x, dic):
    for word in dic.keys():
        spaceword = " " + word + " "
        if spaceword in x:
            x = x.replace(spaceword, " " + dic[word]+ " ")
    return x

似乎第二个版本可能无法在所有情况下正常工作。如果单词位于一行的开头或结尾，则不会被空格包围。最好使用带有\b 的正则表达式来匹配单词边界。