• http://www.nf118.com
  • |
    |
    |
    |
    移动端

    用Python只花十五分钟完成正则表达式五天任务量

    自然语言处理领域的开发者在处理文本之前必须对数据进行清理。有些时候,此类工作是由关键词替换完成的,就像吧「Javascript」替换成「JavaScript」。另一些时候,我们只需要知道文档中是否提到了「JavaScript」。

    作者:Belong.co来源:科趣|2018-07-19 11:14

    年前最后一场技术盛宴 | 1月27日与京东、日志易技术大咖畅聊智能化运维发展趋势!


    自然语言处理领域的开发者在处理文本之前必须对数据进行清理。有些时候,此类工作是由关键词替换完成的,就像吧「Javascript」替换成「JavaScript」。另一些时候,我们只需要知道文档中是否提到了「JavaScript」。

    这类数据清理任务是大多数处理文本的数据科学项目必须要做的。

    数据科学从清理数据开始

    本文作者是 Belong.co 的一名数据科学家,需要从事有关自然语言处理的工作,于是遇到了这个问题。当我在自己的文档语料库中开始训练 Word2Vec 模型时,它开始将同义词归为同类项,「Javascripting」被归类为「JavaScript」的同类项。

    为了解决这个问题,我写了一个正则表达式(Regex),用标准化命名来替换所有已知的同义词。Regex 会将「Javascripting」替换为「JavaScript」,这解决了一个问题,却又带来了另一个问题。

    有些人遇到问题时会想:「没关系,我们有正则表达式。」现在问题变成了两个。

    上文所述引自 Stack-exchange question,现在让我遇到了。

    事实证明,正则表达式的速度很快——如果要搜索和替换的关键词数量是一百多个的话。但是面对超过 20k 个关键词,300 万个文件的语料库,事情就会变得很糟。当我测试我的代码时,我发现完全运行需要 5 天之久。

    Python那些事——用Python只花十五分钟完成正则表达式五天任务量

    通常,面对这种情况我们的解决方案是并行运算。但在面对上千万个文件中成百上千出现频次的关键词,并行的性能提升有限,我们必须找到更好的方法!

    幸好,在 Stack Overflow 上我的疑问获得了大家的关注,网友们和公司同事 Vinay Pandey、Suresh Lakshmanan 等人提到了一个名叫 Aho-Corasick 算法的神奇工具,以及前缀树数据结构(Trie Data Structure)。然而目前网络上还缺乏相关资源。

    • Aho-Corasick 算法:https://en.wikipedia.org/wiki/Aho%E2%80%93Corasick_algorithm

    • Trie Data Structure:https://en.wikipedia.org/wiki/Trie

    所以我开始自己动手,FlashText 诞生了。

    在介绍 FlashText 的结构和工作原理之前,先看看它的搜索性能表现:

    Python那些事——用Python只花十五分钟完成正则表达式五天任务量

    下面的红线是 FlashText 的搜索耗时

    如上图所示,Regex 算法和 FlashText 搜索同一篇文档的耗时相差很大。随着关键词数量的增加,Regex 的耗时呈线性增长,而对于 FlashText 来说并没有影响。

    FlashText 可以把 5 天的工作缩短到 15 分钟!

    Python那些事——用Python只花十五分钟完成正则表达式五天任务量

    这是 FlashText 替换的速度:

    Python那些事——用Python只花十五分钟完成正则表达式五天任务量

    同样,下面的红线是 FlashText 的替换速度。

    所以,FlashText 是什么?

    FlashText 是我在 GitHub 上开源的一个 Python 库,它能高效地提取和替换关键词。

    使用 FlashText 时,首先你需要发送一系列关键词,这个列表将被用于在内部建立一个前缀树字典。随后你需要传递一个字符串,告诉它你需要执行替换还是搜索。

    在替换时,它会创建一个新字符串来替换关键词。在搜索时,它会返回一个关键词列表。这一切都将在输入字符串上进行。

    有的用户是这样评价FastText的:

    Python那些事——用Python只花十五分钟完成正则表达式五天任务量

    Radim Řehůřek 是著名 Python 库 Gensim 的作者

    FlashText 为什么那么快?

    我们用一个例子来尝试和理解这一部分。假设我们有一个包含三个单词的句子 I like Python,和一个有四个单词的语料库 {Python,Java,J2ee,Ruby}。

    如果每次取出语料库中的一个单词,并检查其在句子中是否出现,这需要四次操作。

    is 'Python' in sentence? is 'Java' in sentence?...

    如果语料库有 n 个单词,意味着需要做 n 次的循环操作,并且每一个时间步的搜索都是 isin sentence ? 这有点像正则表示式相配(Regex match)中的过程。

    还有另一种和第一种相反的方法。对于句子中的每一个单词,检查其是否在语料库中出现。

    is 'I' in corpus?is 'like' in corpus?is 'python' in corpus?

    如果句子 m 个单词,意味着需要做 m 次的循环操作。在这个例子中所需的时间步取决于句子中的单词数。而使用字典查询进行 isin corpus ? 会快得多。

    FlashText 基于第二种方法,由 Aho-Corasick 算法和前缀树(Trie)数据结构所启发。

    它的工作方式为:

    首先由语料库创建一个如下图所示的前缀树字典:

    Python那些事——用Python只花十五分钟完成正则表达式五天任务量

    语料库的前缀树字典

    Start 和 EOT(End Of Term,期末)表示单词的边界比如 space、period 和 new_line。只有两侧都有边界的关键词才能得到匹配,这可以防止把 apple 匹配到 pineapple。

    下一步我们将取输入字符串为 I like Python,并按字符逐个对齐进行搜索。

    Step 1: is Iin dictionary? NoStep 2: is likein dictionary? NoStep 3: is Pythonin dictionary? Yes

    Python那些事——用Python只花十五分钟完成正则表达式五天任务量

    Python出现在字典中。

    由于这是一个字符匹配过程,我们可以轻易地在进行到l 的时候跳过整个like,因为 start 并没有和 l 相连。这使得跳过缺失单词的过程变得非常快。

    FlashText 算法只需要遍历输入字符串『I like Python』的每一个字符。即使字典有上百万个关键词,对运行时间也没有任何影响。这是 FlashText 算法的真正威力。

    什么时候需要使用 FlashText?

    简单的回答是:当关键词数量>500 的时候

    Python那些事——用Python只花十五分钟完成正则表达式五天任务量

    当关键词数量>500 的时候,FlashText 的搜索速度开始超过 Regex

    完整的回答是:Regex 可以搜索基于特殊字符比如^、$、*、d 等的关键词,而 FlashText 不支持这种搜索。

    所以如果想要匹配部分单词比如『worddvec』,使用 FlashText 并没有好处,但其非常善于提取完整的单词比如『word2vec』。

    用于寻找关键词的代码

    # pip install flashtextfrom flashtext.keyword import KeywordProcessorkeyword_processor = KeywordProcessor()keyword_processor.add_keyword('Big Apple', 'New York')keyword_processor.add_keyword('Bay Area')keywords_found = keyword_processor.extract_keywords('I love Big Apple and Bay Area.')keywords_found# ['New York', 'Bay Area']

    使用 FlashText 提取关键词的简单例子

    用于替换关键词的代码

    FlashText 不仅可以提取句子中的关键词还可以对其进行替换。我们将此作为数据处理管道的数据清理步骤。

    from flashtext.keyword import KeywordProcessorkeyword_processor = KeywordProcessor()keyword_processor.add_keyword('Big Apple', 'New York')keyword_processor.add_keyword('New Delhi', 'NCR region')new_sentence = keyword_processor.replace_keywords('I love Big Apple and new delhi.')new_sentence# 'I love New York and NCR region.'

    使用 FlashText 替换关键词的简单例子

    【编辑推荐】

    1. 在2018年,云、大数据和人工智能会出现更多的动荡吗?
    2. DB-Engines 2017 年度数据库:PostgreSQL 实至名归
    3. 外媒速递:将在2018年重新定义ETL前景的五大数据集成趋势
    4. 100行Python代码自动抢火车票!
    5. StackOverflow数据分析:JavaScript框架的残酷生命周期
    【责任编辑:张燕妮 TEL:(010)68476606】

    点赞 0
    分享:
    大家都在看
    猜你喜欢

    读 书 +更多

    计算机病毒防范艺术

    本书由Symantec首席反病毒研究员执笔,是讲述现代病毒威胁、防御技术和分析工具的权威指南。与多数讲述计算机病毒的书籍不同,本书完全是...

    订阅51CTO邮刊

    点击这里查看样刊

    订阅51CTO邮刊
    民生街道论坛 范县论坛 大滩海论坛 玉溪市论坛 沙桥村论坛
    喀喇沁左翼蒙古族自治县论坛 椑南乡论坛 玉泉区论坛 大铭乡论坛 仪陇县论坛