提高数据预处理速度 - Python 中的正则表达式

Question

我在 Python 中使用以下 class 对字符串进行预处理，然后再将其传递给机器学习 class化模型以预测其情绪。

我使用正则表达式进行大部分转换以及一些库，如表情符号和推文预处理器。代码工作正常，但我认为它很慢。

你对如何提高它的速度有什么建议吗？

用法示例：

string  = "I am very happy with @easyjet #happy customer . Second sentence"
preprocessor = TextPreprocessing()
result = preprocessor.text_preprocessor(string)

结果将是：[“我很开心，笑脸很开心”，“第二句”，“我很开心，笑脸很开心，第二句”]

import re
import preprocessor as p   # this is the tweet-preprocessor library
import emoji
import os
import numpy as np
import pandas as pd

class TextPreprocessing:
    def __init__(self):
        p.set_options(p.OPT.MENTION, p.OPT.URL)

    # remove punctuation
    def _punctuation(self, val):
        val = re.sub(r'[^\w\s]', ' ', val)
        val = re.sub('_', ' ', val)
        return val

    #remove white spaces
    def _whitespace(self, val):
        return " ".join(val.split())

    #remove numbers
    def _removenumbers(self, val):
        val = re.sub('[0-9]+', '', val)
        return val

    #remove unicode
    def _remove_unicode(self, val):
        val = unidecode(val).encode("ascii")
        val = str(val, "ascii")
        return val

    #split string into sentenses
    def _split_to_sentences(self, body_text):
        sentences = re.split(
            r"(?<!\w\.\w.)(?<![A-Z][a-z]\.)(?<=\.|\?)\s", body_text)
        return sentences

    # cleaning functions that combines all of the above functions
    def _clean_text(self, val):
        val = val.lower()
        val = self._removenumbers(val)
        val = p.clean(val)
        val = ' '.join(self._punctuation(emoji.demojize(val)).split())
        val = self._remove_unicode(val)
        val = self._whitespace(val)
        return val

    def text_preprocessor(self, body_text):
        body_text_df = pd.DataFrame({"body_text": body_text}, index=[1])
        sentence_split_df = body_text_df.copy()
        sentence_split_df["body_text"] = sentence_split_df["body_text"].apply(
            self._split_to_sentences)

        lst_col = "body_text"
        sentence_split_df = pd.DataFrame(
            {
                col: np.repeat(
                    sentence_split_df[col].values, sentence_split_df[lst_col].str.len(
                    )
                )
                for col in sentence_split_df.columns.drop(lst_col)
            }
        ).assign(**{lst_col: np.concatenate(sentence_split_df[lst_col].values)})[
            sentence_split_df.columns
        ]

        final_df = (
            pd.concat([sentence_split_df, body_text_df])
            .reset_index()
            .drop(columns=["index"])
        )

        final_df["body_text"] = final_df["body_text"].apply(self._clean_text)

        return final_df["body_text"]

这个问题可能与所有想要将其 NLP 模型投入生产的数据科学家有关。

Answer 1

由于我无法发表评论，我将尝试（在某种程度上）回答您的问题：

您应该阐明如何衡量执行时间的改进。为此使用 timeit 及其重复功能：

import timeit
from functools import partial
...
if __name__ == "__main__":
    # http://25.io/toau/audio/sample.txt
    with open("sample.txt") as f:
        text = f.read()
        tp = TextPreprocessing()
        print(min(timeit.Timer(partial(tp.text_preprocessor, text)).repeat(repeat=10, number=1)))

您还可以在特定方法上使用 timeit 来检查瓶颈。

很遗憾，由于 L58 和 L64 中未定义 np.，我无法运行您的代码示例所以我无法检验我的假设。你也没有提供样本数据。
一些一般性想法：

使用re.compile()编译所有正则表达式
如果您不需要 _remove* 的模块化，您可以考虑组合这些正则表达式
.copy() 操作是昂贵的尝试摆脱它们
还有一些 _remove* 方法有异味。请参阅替代方案的链接：
- Removing numbers from string

提高数据预处理速度 - Python 中的正则表达式

Improve Data Preprocessing Speed - Regex in Python

python

regex

emoji

pandas

python-re