100毫秒过滤一百万字文本的停用词

作者简介：小小明，Pandas数据处理专家，致力于帮助无数数据从业者解决数据处理难题。

之前有位群友分享了使用Pandas过滤停用词的技巧：

不过其实这并不是效率最高的一种方法，今天我将演示一种更高效过滤停用词的方法。

过滤停用词前的准备工作

这次我打算用一部197W字的小说作为数据示例。

数据读取

首先，我们读取这部小说的数据：

with open(r"D:\hdfs\novels\天龙八部.txt", encoding="gb18030") as f:
    text = f.read()
print(len(text))

结果：

1272432

可见这部小说共127.2万字。

下面我们对它进行分词并加载停用词：

jieba分词器设置角色为特定词汇

为了避免jieba分词库不能将主角正确的切词，所以现在我们需要将这部小说的角色名称加入到jieba的分词表中。

首先，加载《天龙八部》小说的角色名称：

with open('D:/hdfs/novels/names.txt', encoding="utf-8") as f:
    for line in f:
        if line.startswith("天龙八部"):
            names = next(f).split()
            break

print(names[:20])

前20个角色为：

['刀白凤', '丁春秋', '马夫人', '马五德', '小翠', '于光豪', '巴天石', '不平道人', '邓百川', '风波恶', '甘宝宝', '公冶乾', '木婉清', '包不同', '天狼子', '太皇太后', '王语嫣', '乌老大', '无崖子', '云岛主']

设置角色到特定词汇中：

import jieba
for word in names:
    jieba.add_word(word)

提示了一些警告信息：

Building prefix dict from the default dictionary ...
Loading model from cache C:\Users\Think\AppData\Local\Temp\jieba.cache
Loading model cost 0.759 seconds.
Prefix dict has been built successfully.

开始分词

然后对原始文本进行中文分词：

%time cut_word = jieba.lcut(text)

Wall time: 6 s

中文分词耗时6秒。

加载停用词

然后加载停用词：

#  加载停用词
with open("stoplist.txt", encoding="utf-8-sig") as f:
    stop_words = f.read().split()
stop_words.extend(['天龙八部', '\n', '\u3000', '目录', '一声','之中', '只见'])
print(len(stop_words), stop_words[:10])

5748 ['说', '人', '元', 'hellip', '&', ',', '?', '、', '。', '"']

过滤停用词的n种方法性能对比

直接过滤

%%time
all_words = [word for word in cut_word if len(word) > 1 and word not in stop_words]
print(len(all_words), all_words[:20])

结果：

300656 ['释名', '青衫', '磊落', '险峰', '玉壁', '月华', '马疾香幽', '高人远', '微步', '纹生', '谁家', '子弟', '谁家', '无计悔', '多情', '虎啸', '龙吟', '换巢', '鸾凤', '剑气']
Wall time: 26.2 s

直接过滤耗时26.2秒

使用Pandas进行停用词过滤

%%time
words = pd.Series(cut_word)
all_words = words[(words.str.len() > 1) & (~words.isin(stop_words))].tolist()
print(len(all_words), all_words[:20])

结果：

300656 ['释名', '青衫', '磊落', '险峰', '玉壁', '月华', '马疾香幽', '高人远', '微步', '纹生', '谁家', '子弟', '谁家', '无计悔', '多情', '虎啸', '龙吟', '换巢', '鸾凤', '剑气']
Wall time: 465 ms

耗时0.46秒

使用set集合过滤

%%time
stop_words = set(stop_words)
all_words = [word for word in cut_word if len(word) > 1 and word not in stop_words]
print(len(all_words), all_words[:20])

结果：

300656 ['释名', '青衫', '磊落', '险峰', '玉壁', '月华', '马疾香幽', '高人远', '微步', '纹生', '谁家', '子弟', '谁家', '无计悔', '多情', '虎啸', '龙吟', '换巢', '鸾凤', '剑气']
Wall time: 104 ms

耗时0.1秒

速度最快的过滤方法

虽然我们过滤停用词使用set集合过滤更快，但是我们并没有考虑一开始分词过程所消耗的时间，分词耗时达到6秒的时间，有没有办法降低这个时间呢？

先看看使用set集合的情况，分词过滤的整体耗时：

%%time

all_words = [word for word in jieba.cut(text) if len(word) > 1 and word not in stop_words]
print(len(all_words), all_words[:20])

结果：

300656 ['释名', '青衫', '磊落', '险峰', '玉壁', '月华', '马疾香幽', '高人远', '微步', '纹生', '谁家', '子弟', '谁家', '无计悔', '多情', '虎啸', '龙吟', '换巢', '鸾凤', '剑气']
Wall time: 5.91 s

耗时5.9s秒。

但假如我们一开始就将停用词从原始文本中去掉会不会更快点呢？

%%time

text_sub = text
for stop_word in stop_words:
    text_sub = text_sub.replace(stop_word, " ")
all_words = [word for word in jieba.cut(text_sub) if len(word) > 1]
print(len(all_words), all_words[:20])

结果：

174495 ['天龙', '释名', '青衫', '磊落', '险峰', '玉壁', '月华', '马疾香幽', '微步', '纹生', '子弟', '家院', '计悔', '虎啸', '龙吟', '换巢', '鸾凤', '剑气', '碧烟', '水榭']
Wall time: 5.76 s

整体耗时5.7秒。

速度稍微提升了一丁点儿，区别不大，结果差异还挺大，所以还是使用set集合来过滤比较好一点。

总结

综上所述，中文分词过滤停用词时，使用set集合即可获得最好的性能。

感谢各位读者的陪伴，下期我们将分享 词频统计的3种方法 和 字典与集合的原理。

咱们不见不散，下期再见~