【原】數(shù)據(jù)清洗工具flashtext，效率直接提升了幾十倍數(shù)！

Python集中營 2022-10-10 發(fā)布于甘肅

展開全文

在平常的一些的小規(guī)模的數(shù)據(jù)的過濾、清洗過程中使用最多的就是正則表達式，但是隨著數(shù)據(jù)規(guī)模的增大，正則表達式就顯得有些心有余力不足了。

正則表達式在一個 10k 的詞庫中查找 15k 個關(guān)鍵詞的時間差不多是 0.165 秒。但是對于 Flashtext 而言只需要 0.002 秒。因此，在這個問題上 Flashtext的速度大約比正則表達式快 82 倍。

從上面的示例圖的性能對比中，可以發(fā)現(xiàn)隨著我們需要處理的字符越來越多，正則表達式的處理速度幾乎都是線性增加的。然而，F(xiàn)lashtext 幾乎是一個常量。

1、準備flashtext環(huán)境

通過pip的方式來安裝flashtext，或是其他的方式也是可以的，這里默認使用的是清華大學(xué)的鏡像站。

pip install flashtext -i https://pypi.tuna./simple

在準備好flashtext環(huán)境以后，來看一下flashtext重要的使用過程，幫助我們能更好的完成數(shù)據(jù)清洗操作。

2、添加關(guān)鍵詞

這里添加關(guān)鍵詞時是通過單個關(guān)鍵詞的來添加到關(guān)鍵詞詞庫中，使用add_keyword函數(shù)來添加。第一次參數(shù)表示需要添加的關(guān)鍵詞，第二個參數(shù)則表示為第一個關(guān)鍵詞的別名，如果關(guān)鍵詞被找到了則顯示為別名的形式，若是沒有使用第二個參數(shù)作為別名則還是顯示原有的名稱。

from flashtext import KeywordProcessor

# 初始化關(guān)鍵詞庫處理器

processor = KeywordProcessor()

# 常規(guī)方式添加關(guān)鍵詞

processor.add_keyword('Python')

# 別名方式添加關(guān)鍵詞

processor.add_keyword('Scala', 'Java')

這樣分別使用兩種方式已經(jīng)將需要的關(guān)鍵詞添加到詞庫處理器中了。

3、提取關(guān)鍵詞

通過上一步添加關(guān)鍵詞，現(xiàn)在詞庫處理器中已經(jīng)存在有關(guān)鍵詞的信息了，再使用extract_keywords將關(guān)鍵詞提取出來即可。

# 在一個字符串中提取出關(guān)鍵詞信息

found = processor.extract_keywords('I like Python and Scala.')

# 結(jié)果

print(found)

# ['Python', 'Java']

結(jié)果出來了，跟我們預(yù)想的是一樣的，并Scala也顯示為了Java。

4、替換關(guān)鍵詞

替換關(guān)鍵詞使用的是replace_keywords函數(shù)，前提是詞庫中擁有別名的詞才能被替換，就像上面的Scala被顯示成了的Java一樣。

替換一個字符串中的Scala關(guān)鍵詞，由于Scala對應(yīng)的別名是Java，所以一個字符串中的Scala應(yīng)該被替換為Java。

replaced = processor.replace_keywords('I like Scala.')

# 結(jié)果

print(replaced)

# I like Java.

# Scala 果真就被替換為了Java。

5、獲取所有關(guān)鍵詞

有些時候，在KeywordProcessor詞庫處理器中添加了哪些關(guān)鍵詞可能自己都記不清楚了，這個時候可以使用get_all_keywords函數(shù)來獲取當前的所有關(guān)鍵詞。

all_keywords = processor.get_all_keywords()

# 結(jié)果

print(all_keywords)

# {'python': 'Python', 'scala': 'Java'}

6、批量的添加關(guān)鍵詞

當關(guān)鍵詞庫需要更多的關(guān)鍵詞的時候，可以通過列表或是字典的方式來進行批量的添加。對應(yīng)的函數(shù)分別是add_keywords_from_list、add_keywords_from_dict函數(shù)。

# 初始化一個字典通過用來做批量添加

dict_ = {
    'java': ['java_ee', 'java_se', 'java_me'],
    'python': ['pandas', 'all']
}

# 通過字典的方式來批量添加關(guān)鍵詞

processor.add_keywords_from_dict(dict_)

# 從批量添加的關(guān)鍵詞中匹配關(guān)鍵詞

result = processor.extract_keywords('looking for java_ee and pandas.')

# 結(jié)果

print(result)

# ['java', 'python']

# 通過列表的方式批量添加關(guān)鍵詞

processor.add_keywords_from_list(['scala', 'python', 'scala', 'go'])

# 通過get_all_keywords查看一下所有關(guān)鍵詞

all_keywords = processor.get_all_keywords()

# 結(jié)果

print(all_keywords)

# {'python': 'python', 'pandas': 'python', 'scala': 'scala', 'java_ee': 'java', 'java_se': 'java', 'java_me': 'java', 'all': 'python', 'go': 'go'}

發(fā)現(xiàn)所有的關(guān)鍵詞已經(jīng)添加到詞庫處理器中，并且重復(fù)的不會再次添加。

7、批量刪除關(guān)鍵詞

批量刪除詞庫處理器中的關(guān)鍵詞同樣是有兩種方式，一個是列表、另一個是字典。對應(yīng)的函數(shù)分別是remove_keywords_from_list、remove_keywords_from_dict函數(shù)。

# 批量移除列表中的關(guān)鍵詞

processor.remove_keywords_from_list(['python','java_ee','java_me'])

# 批量移除字典中的關(guān)鍵詞

processor.remove_keywords_from_dict({'python': ['pandas','all']})

# 通過get_all_keywords查看一下所有關(guān)鍵詞

all_keywords = processor.get_all_keywords()

# 結(jié)果

print(all_keywords)

# {'scala': 'scala', 'java_se': 'java', 'go': 'go'}