如何在Python中有效地编码bigram计数和替换的字节对？

Question

在字节对编码算法中,有一个替换步骤,它将由空格分隔的字符串更改为bigrams.

即,给出一个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')]

和一个字符串元组: ('i', 's')

如何处理列表,使其遍历所有元组键并替换('i', 's')为('is')？,即输出Counter看起来像这样:

[('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')]

我试过这个:

>>> 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')]

但是有没有比循环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转换回元组？

正则表达式替换会更快吗？有没有办法处理元组列表而不处理字符串？

---

我试过这个似乎更换字符串str.replace不是问题.它真的在计算双子座并提取它们:

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

[OUT]:

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

我已经尝试过使用scikit-learnCountVectorizer,我似乎没有使用它那么快zip,请参阅python中的快速/优化N-gram实现

而且,如果没有它们filter在Counter步骤中操作,则需要更长时间.计数器操作每次迭代需要3秒=(

如何优化此操作？

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

Answer 1

您的原始代码：

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

我将其扩展，以便更轻松地了解正在发生的事情

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)

寻找可以移动到循环之外的东西。我们可以预先计算替换项，而不用为每个单词计算替换项

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)

也许其他人可以说str.replace与re.replace的相对效率。就个人而言，如果为了简单起见，我倾向于避免使用简单的替换操作来执行正则表达式。

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

我认为该问题需要添加一些要求，以解释为什么所选数据结构具有优势。从效率的角度来看，在字节对编码算法的上下文中，字符串对我而言意义更大。

Answer 2

如果你将字符串元组的长度保持为 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， 的值cin不会改变，而是创建并返回一个新数组。

细节：

• reduce适用f于每个数组元素i并向累加器返回一个值acc。
• 减少参数：
  • f：要应用的函数。
  • i[1:]：使用除第一个元素之外的所有元素进行迭代的数组。
  • (i[0],)：累加器的初始值，它是一个带有输入 tuple 的第一个值的元组i。
• f: 是一个lambda以累加器acc和当前元素e作为输入的函数：
  • 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，则返回该元组：acc[-1] + (j,)否则继续正常连接：acc + (e,)。

对于字符串元组 > 2，想法是相同的，但我们必须管理元组的 length 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。

细节：

• 与上面的过程相同，但使用l: reduce 适用f于其余元素i[l:]，并且累加器的初始值是包含第一个l元素的元组：(i[:l])。
• 向后和向前检查是否l有等于字符串 tuple 的元素t，如果为 true，则添加该 tuple：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喜欢函数式编程的人来说太奇怪，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'))

逻辑与功能方法相同，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正在处理它。