加速 "closest" 字符串匹配算法

Speeding up a "closest" string match algorithm

我目前正在处理一个非常大的位置数据库,并试图将它们与它们的真实世界坐标相匹配。

为此,我下载了 the geoname dataset,其中包含很多条目。它给出了可能的名称和 lat/long 坐标。为了尝试加快这个过程,我通过删除对我的数据集没有意义的条目,设法将巨大的 csv 文件(1.6 GB)减少到 0.450 GB。但是它仍然包含 400 万个条目。

现在我有很多条目,例如:

  1. 上周从我在挪威 Jotunheimen 的露营地看到的 Slettmark 山脉
  2. 在英国苏格兰斯凯岛仙女谷探险
  3. 加州移民荒野的早晨

知道该字符串与如此长的字符串匹配,我通过 NLTK 使用 Standford's NER 来获得更好的字符串来限定我的位置。现在我有这样的字符串:

  1. Slettmarkmountains Jotunheimen 挪威
  2. Fairy Glen Skye 苏格兰英国
  3. 加州荒野移民
  4. Yosemite 国家公园
  5. 半穹顶Yosemite国家公园

geoname 数据集包含如下内容:

  1. Jotunheimen 挪威 Lat Long
  2. Slettmarkmountains Jotunheimen Norway Lat Long
  3. 布莱斯峡谷纬度
  4. 半圆顶纬度
  5. ...

我正在应用此 algorithm 以在我的条目和包含 4M 条目的 geoname csv 之间获得良好的可能匹配。我首先读取 geoname_cleaned.csv 文件并将所有数据放入列表中。对于每个条目,我然后在当前条目和 geoname_list

的所有条目之间调用我的每个条目 string_similarity()
def get_bigrams(string):
    """
    Take a string and return a list of bigrams.
    """
    s = string.lower()
    return [s[i:i+2] for i in list(range(len(s) - 1))]

def string_similarity(str1, str2):
    """
    Perform bigram comparison between two strings
    and return a percentage match in decimal form.
    """
    pairs1 = get_bigrams(str1)
    pairs2 = get_bigrams(str2)
    union  = len(pairs1) + len(pairs2)
    hit_count = 0
    for x in pairs1:
        for y in pairs2:
            if x == y:
                hit_count += 1
                break
    return (2.0 * hit_count) / union

我已经在我的原始数据集的一个子集上测试了该算法,它工作正常,但它显然非常慢(单个位置最多需要 40 秒)。由于我有超过一百万的条目要处理,这将花费 10000 小时或更长时间。我想知道你们是否知道如何加快速度。我显然想到了并行处理,但我没有任何可用的 HPC 解决方案。也许简单的想法可以帮助我加快速度。

我对你们可能有的任何想法都持开放态度,但我更喜欢 python 兼容的解决方案。

提前致谢:)。

编辑:

我用 fuzz.token_set_ratio(s1, s2) 尝试过 fuzzywuzzy,但它的性能最差(运行 时间更糟,结果也不太好)。使用我的自定义技术时,匹配不像以前那么好,而且 运行 单次输入的时间增加了 15 秒。

编辑 2:

虽然我也曾在开始时使用某种排序来帮助匹配,但我的幼稚实现不起作用。但我确信有一些方法可以加快速度,比如删除 geoname 数据集中的一些条目,或者以某种方式对它们进行排序。我已经做了很多清理以删除无用的条目,但无法获得低于 4M 的数字

我们可以通过多种方式加快匹配速度。我假设在您的代码中 str1 是数据集中的名称,而 str2 是地理名称字符串。为了测试代码,我根据您问题中的数据制作了两个小数据集。我编写了两个匹配函数 best_matchfirst_match,它们使用您当前的 string_similarity 函数,因此我们可以看到我的策略给出了相同的结果。 best_match 检查所有 geoname 字符串 & returns 得分最高的字符串,如果它超过给定的阈值得分,否则它 returns Nonefirst_match(可能)更快:它只是 return 超过阈值的第一个地理名称字符串,或者 None 如果找不到,那么如果找不到match 那么它仍然必须搜索整个 geoname 列表。

在我的改进版本中,我们为每个 str1 生成一次二元语法,而不是为我们与之比较的每个 str2 重新生成 str1 的二元语法。我们预先计算所有的 geoname 双字母组,将它们存储在由字符串索引的字典中,这样我们就不必为每个 str 重新生成它们。此外,我们将 geoname 双字母组存储为集合。这使得 hit_count 的计算速度更快,因为集合成员测试比对字符串列表进行线性扫描要快得多。 geodict 还需要存储每个二元组的长度:一个集合不包含重复项,因此二元组集合的长度可能小于二元组列表,但我们需要列表长度来计算分数正确。

# Some fake data
geonames = [
    'Slettmarkmountains Jotunheimen Norway',
    'Fairy Glen Skye Scotland UK',
    'Emigrant Wilderness California',
    'Yosemite National Park',
    'Half Dome Yosemite National Park',
]

mynames = [
    'Jotunheimen Norway',
    'Fairy Glen',
    'Slettmarkmountains Jotunheimen Norway',
    'Bryce Canyon',
    'Half Dome',
]

def get_bigrams(string):
    """
    Take a string and return a list of bigrams.
    """
    s = string.lower()
    return [s[i:i+2] for i in range(len(s) - 1)]

def string_similarity(str1, str2):
    """
    Perform bigram comparison between two strings
    and return a percentage match in decimal form.
    """
    pairs1 = get_bigrams(str1)
    pairs2 = get_bigrams(str2)
    union  = len(pairs1) + len(pairs2)
    hit_count = 0
    for x in pairs1:
        for y in pairs2:
            if x == y:
                hit_count += 1
                break
    return (2.0 * hit_count) / union

# Find the string in geonames which is the best match to str1
def best_match(str1, thresh=0.2):
    score, str2 = max((string_similarity(str1, str2), str2) for str2 in geonames)
    if score < thresh:
        str2 = None
    return score, str2

# Find the 1st string in geonames that matches str1 with a score >= thresh
def first_match(str1, thresh=0.2):
    for str2 in geonames:
        score = string_similarity(str1, str2)
        if score >= thresh:
            return score, str2
    return None

print('Best')
for mystr in mynames:
    print(mystr, ':', best_match(mystr))
print()

print('First')
for mystr in mynames:
    print(mystr, ':', best_match(mystr))
print()

# Put all the geoname bigrams into a dict
geodict = {}
for s in geonames:
    bigrams = get_bigrams(s)
    geodict[s] = (set(bigrams), len(bigrams))

def new_best_match(str1, thresh=0.2):
    pairs1 = get_bigrams(str1)
    pairs1_len = len(pairs1)

    score, str2 = max((2.0 * sum(x in pairs2 for x in pairs1) / (pairs1_len + pairs2_len), str2)
        for str2, (pairs2, pairs2_len) in geodict.items())
    if score < thresh:
        str2 = None
    return score, str2

def new_first_match(str1, thresh=0.2):
    pairs1 = get_bigrams(str1)
    pairs1_len = len(pairs1)

    for str2, (pairs2, pairs2_len) in geodict.items():
        score = 2.0 * sum(x in pairs2 for x in pairs1) / (pairs1_len + pairs2_len)
        if score >= thresh:
            return score, str2
    return None

print('New Best')
for mystr in mynames:
    print(mystr, ':', new_best_match(mystr))
print()

print('New First')
for mystr in mynames:
    print(mystr, ':', new_first_match(mystr))
print()

输出

Best
Jotunheimen Norway : (0.6415094339622641, 'Slettmarkmountains Jotunheimen Norway')
Fairy Glen : (0.5142857142857142, 'Fairy Glen Skye Scotland UK')
Slettmarkmountains Jotunheimen Norway : (1.0, 'Slettmarkmountains Jotunheimen Norway')
Bryce Canyon : (0.1875, None)
Half Dome : (0.41025641025641024, 'Half Dome Yosemite National Park')

First
Jotunheimen Norway : (0.6415094339622641, 'Slettmarkmountains Jotunheimen Norway')
Fairy Glen : (0.5142857142857142, 'Fairy Glen Skye Scotland UK')
Slettmarkmountains Jotunheimen Norway : (1.0, 'Slettmarkmountains Jotunheimen Norway')
Bryce Canyon : (0.1875, None)
Half Dome : (0.41025641025641024, 'Half Dome Yosemite National Park')

New Best
Jotunheimen Norway : (0.6415094339622641, 'Slettmarkmountains Jotunheimen Norway')
Fairy Glen : (0.5142857142857142, 'Fairy Glen Skye Scotland UK')
Slettmarkmountains Jotunheimen Norway : (1.0, 'Slettmarkmountains Jotunheimen Norway')
Bryce Canyon : (0.1875, None)
Half Dome : (0.41025641025641024, 'Half Dome Yosemite National Park')

New First
Jotunheimen Norway : (0.6415094339622641, 'Slettmarkmountains Jotunheimen Norway')
Fairy Glen : (0.5142857142857142, 'Fairy Glen Skye Scotland UK')
Slettmarkmountains Jotunheimen Norway : (1.0, 'Slettmarkmountains Jotunheimen Norway')
Bryce Canyon : None
Half Dome : (0.41025641025641024, 'Half Dome Yosemite National Park')

new_first_match 相当简单。行

for str2, (pairs2, pairs2_len) in geodict.items():

遍历 geodict 中的每个项目,提取每个字符串、二元组集和真正的二元组长度。

sum(x in pairs2 for x in pairs1)

计算 pairs1 中有多少二元组是 pairs2 集合的成员。

因此,对于每个 geoname 字符串,我们计算相似性分数,如果它 >= 阈值,则 return 它的默认值为 0.2。您可以给它一个不同的默认值 thresh,或者在调用它时传递一个 thresh

new_best_match 有点复杂。 ;)

((2.0 * sum(x in pairs2 for x in pairs1) / (pairs1_len + pairs2_len), str2)
    for str2, (pairs2, pairs2_len) in geodict.items())

是一个生成器表达式。它遍历 geodict 项并为每个 geoname 字符串创建一个 (score, str2) 元组。然后我们将该生成器表达式提供给 max 函数,该函数 return 是得分最高的元组。


这是 new_first_match 的一个版本,它实现了 juvian 在评论中提出的建议。它可能会节省一点时间。此版本还避免测试任一二元语法是否为空。

def new_first_match(str1, thresh=0.2):
    pairs1 = get_bigrams(str1)
    pairs1_len = len(pairs1)
    if not pairs1_len:
        return None

    hiscore = 0
    for str2, (pairs2, pairs2_len) in geodict.items():
        if not pairs2_len:
            continue
        total_len = pairs1_len + pairs2_len
        bound = 2.0 * pairs1_len / total_len
        if bound >= hiscore:
            score = 2.0 * sum(x in pairs2 for x in pairs1) / total_len
            if score >= thresh:
                return score, str2
            hiscore = max(hiscore, score)
    return None

一个更简单的变体是不用计算 hiscore & 只需比较 boundthresh.

我使用 SymSpell 端口到 python 进行拼写检查。如果你想尝试 processInput,将需要为它添加代码,最好使用 2Ring 调整它。

from symspellpy.symspellpy import SymSpell, Verbosity  # import the module
import csv


geonames = [
    'Slettmarkmountains Jotunheimen Norway',
    'Fairy Glen Skye Scotland UK',
    'Emigrant Wilderness California',
    'Yosemite National Park',
    'Half Dome Yosemite National Park',
]

mynames = [
    'Jotuheimen Noway',
    'Fairy Gen',
    'Slettmarkmountains Jotnheimen Norway',
    'Bryce Canyon',
    'Half Domes',
]

frequency = {}
buckets = {}

def generateFrequencyDictionary():

    for geo in geonames:
        for word in geo.split(" "):
            if word not in frequency:
                frequency[word] = 0
            frequency[word] += 1


    with open("frequency.txt", "w") as f:
        w = csv.writer(f, delimiter = ' ',lineterminator='\r')
        w.writerows(frequency.items())      


def loadSpellChecker():
    global sym_spell
    initial_capacity = len(frequency)
    # maximum edit distance per dictionary precalculation
    max_edit_distance_dictionary = 4
    prefix_length = 7
    sym_spell = SymSpell(initial_capacity, max_edit_distance_dictionary,
                         prefix_length)
    # load dictionary
    dictionary_path = "frequency.txt"
    term_index = 0  # column of the term in the dictionary text file
    count_index = 1  # column of the term frequency in the dictionary text file
    if not sym_spell.load_dictionary(dictionary_path, term_index, count_index):
        print("Dictionary file not found")
        return

def splitGeoNamesIntoBuckets():
    for idx, geo in enumerate(geonames):
        for word in geo.split(" "):
            if word not in buckets:
                buckets[word] = set()
            buckets[word].add(idx)  


def string_similarity(str1, str2):
    pass

def processInput():
    for name in mynames:
        toProcess = set()
        for word in name.split(" "):
            if word not in buckets: # fix our word with a spellcheck
                max_edit_distance_lookup = 4
                suggestion_verbosity = Verbosity.CLOSEST  # TOP, CLOSEST, ALL
                suggestions = sym_spell.lookup(word, suggestion_verbosity, max_edit_distance_lookup)
                if len(suggestions):
                    word = suggestions[0].term
            if word in buckets:
                toProcess.update(buckets[word])
        for index in toProcess: # process only sentences from related buckets
            string_similarity(name, geonames[index])                    



generateFrequencyDictionary()
loadSpellChecker()
splitGeoNamesIntoBuckets()
processInput()