python dataframe 选取字段 特别慢_python – 为什么在处理DataFrame时我的NLTK功能会变慢？...

我试图在数据集中运行我的百万行的函数.

>我在数据帧中读取CSV中的数据

>我使用drop list删除我不需要的数据

>我通过for循环中的NLTK函数传递它.

码：

def nlkt(val):

val=repr(val)

clean_txt = [word for word in val.split() if word.lower() not in stopwords.words('english')]

nopunc = [char for char in str(clean_txt) if char not in string.punctuation]

nonum = [char for char in nopunc if not char.isdigit()]

words_string = ''.join(nonum)

return words_string

现在我使用for循环调用上述函数来运行百万条记录.即使我在24核CPU和88 GB Ram的重量级服务器上,我看到循环花费了太多时间而没有使用那里的计算能力

我这样调用上面的函数

data = pd.read_excel(scrPath + "UserData_Full.xlsx", encoding='utf-8')

droplist = ['Submitter', 'Environment']

data.drop(droplist,axis=1,inplace=True)

#Merging the columns company and detailed description

data['Anylize_Text']= data['Company'].astype(str) + ' ' + data['Detailed_Description'].astype(str)

finallist =[]

for eachlist in data['Anylize_Text']:

z = nlkt(eachlist)

finallist.append(z)

当我们有几百万条记录时,上面的代码完全可以正常运行.它只是excel中的一个示例记录,但实际数据将在DB中运行,其数量将达到数亿.有没有什么办法可以加快操作速度以更快地传递数据 – 使用更多的计算能力？

解决方法:

你原来的nlkt()遍历每一行3次.

def nlkt(val):

val=repr(val)

clean_txt = [word for word in val.split() if word.lower() not in stopwords.words('english')]

nopunc = [char for char in str(clean_txt) if char not in string.punctuation]

nonum = [char for char in nopunc if not char.isdigit()]

words_string = ''.join(nonum)

return words_string

此外,每次调用nlkt()时,您都会一次又一次地重新初始化这些内容.

> stopwords.words(‘english’)

> string.punctuation

这些应该是全球性的.

stoplist = stopwords.words('english') + list(string.punctuation)

逐行完成事情：

val=repr(val)

我不确定你为什么需要这样做.但是您可以轻松地将列转换为str类型.这应该在预处理功能之外完成.

希望这是不言自明的：

>>> import pandas as pd

>>> df = pd.DataFrame([[0, 1, 2], [2, 'xyz', 4], [5, 'abc', 'def']])

>>> df

0 1 2

0 0 1 2

1 2 xyz 4

2 5 abc def

>>> df[1]

0 1

1 xyz

2 abc

Name: 1, dtype: object

>>> df[1].astype(str)

0 1

1 xyz

2 abc

Name: 1, dtype: object

>>> list(df[1])

[1, 'xyz', 'abc']

>>> list(df[1].astype(str))

['1', 'xyz', 'abc']

现在进入下一行：

clean_txt = [word for word in val.split() if word.lower() not in stopwords.words('english')]

使用str.split()很尴尬,你应该使用一个合适的标记器.否则,您的标点符号可能会卡在前面的单词中,例如：

>>> from nltk.corpus import stopwords

>>> from nltk import word_tokenize

>>> import string

>>> stoplist = stopwords.words('english') + list(string.punctuation)

>>> stoplist = set(stoplist)

>>> text = 'This is foo, bar and doh.'

>>> [word for word in text.split() if word.lower() not in stoplist]

['foo,', 'bar', 'doh.']

>>> [word for word in word_tokenize(text) if word.lower() not in stoplist]

['foo', 'bar', 'doh']

还应检查.isdigit()的检查：

>>> text = 'This is foo, bar, 234, 567 and doh.'

>>> [word for word in word_tokenize(text) if word.lower() not in stoplist and not word.isdigit()]

['foo', 'bar', 'doh']

把它们放在一起你的nlkt()应该是这样的：

def preprocess(text):

return [word for word in word_tokenize(text) if word.lower() not in stoplist and not word.isdigit()]

data['Anylize_Text'].apply(preprocess)

标签：python,optimization,nltk

来源： https://codeday.me/bug/20190916/1807827.html