为什么这两个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)

有人可以解释为什么速度差异如此之大，这种情况不太可能发生，其次是更好/隐藏的熊猫技巧来进一步优化这一点？（该代码已在Kaggle Kernels上经过多次测试）

• train 是在两种情况下都有200万行的数据框，也完全相同
• contraction_mapping 是字典映射...（在两种情况下都一样）
• 希望最新的熊猫。

非常感谢 ！

编辑-1-数据来自Kaggle Comp，版本1更快！

编辑-2谢谢，你们Rock！（我希望我能接受所有人！）

Answer 1

抱歉，无法回答区别，但是在任何情况下都可以轻松地改进当前方法。这对您来说很慢，因为您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，首先检查每个单词是否存在，然后替换它-您只能替换。

这是进行文本替换时（无论是使用正则表达式，简单字符串替换还是开发自己的算法时）的关键课程：尝试仅遍历文本一次。无论您要替换多少个单词。正则表达式有很长的路要走，但是根据实现的需要，当找不到匹配项时，需要返回几个字符。对于感兴趣的人：查找trie数据结构。

例如，尝试实现快速文本搜索（aho-corasick）。我正在为此开发一个库，但是在此之前，您可以使用flashtext（其功能有所不同）：

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)

如果您要替换的单词过多，则速度会提高几个数量级。

对于第一个数据的比较，我可以找到：

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倍加速。并非每天都这样；-)

供参考，由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)

经过测试，我的新库将再减少30％。我也看到了Flashtext的2-3倍改进，但更重要的是，可以为用户提供更多控制权。它功能齐全，只需要清理并添加更多文档即可。

到达时我会更新答案！