Question

我再次努力改善这段代码的执行时间。由于计算非常耗时，我认为最好的解决方案是并行化代码。

我第一次使用地图，如this问题中所述，但后来我尝试了一种更简单的方法，认为我可以找到更好的解决方案。但是我还没有想出任何东西，所以因为它是一个不同的问题，所以我决定把它作为一个新问题发布。

我正在使用Python 3.4在Windows平台上工作。

以下是代码：

similarity_matrix = [[0 for x in range(word_count)] for x in range(word_count)]
for i in range(0, word_count):
    for j in range(0, word_count):
        if i > j:
            similarity = calculate_similarity(t_matrix[i], t_matrix[j])
            similarity_matrix[i][j] = similarity
            similarity_matrix[j][i] = similarity

这是calculate_similarity函数：

def calculate_similarity(array_word1, array_word2):
      denominator = sum([array_word1[i] + array_word2[i] for i in range(word_count)])
      if denominator == 0:
          return 0
      numerator = sum([2 * min(array_word1[i], array_word2[i]) for i in range(word_count)])
      return numerator / denominator

代码的解释：

word_count是列表中存储的唯一字词总数
t_matrix是一个矩阵，包含每对单词的值
输出应为similarity_matrix，其尺寸为word_count x word_count，同时包含每对单词的相似度值
可以将两个矩阵保留在内存中
在这些计算之后，我可以很容易地找到每个单词最相似的单词（或者任务可能需要的前三个相似的单词）
calculate_similarity有两个浮点列表，每个浮点列表用于一个单独的单词（每个都是t_matrix中的一行）

我使用13k字的列表，如果我正确计算了我的系统上的执行时间将是几天。所以，任何能在一天内完成工作的事情都会很精彩！

也许只有numerator中denominator和calculate_similarity的计算才能显着改善。

Answer 1

这是与Matt's answer中相同的通用算法的替代实现，只使用multiprocessing.Pool而不是concurrent.futures.ProcessPoolExecutor。它可能比他的代码更有效，因为输入（t_matrix）的值只被序列化一次并传递给每个工作进程中的initializer函数。

import multiprocessing
import itertools

def worker_init(matrix):
    global worker_matrix
    worker_matrix = matrix

def worker(i, j):
    similarity = calculate_similarity(worker_matrix[i], worker_matrix[j])
    return i, j, similarity

def main(matrix):
    size = len(matrix)
    result = [[0]*size for _ in range(size)]
    with multiprocessing.Pool(initializer=worker_init, initargs=(matrix,)) as pool:
        for i, j, val in pool.starmap(worker, itertools.combinations(range(size), 2)):
            result[i][j] = result[j][i] = val
    return result

if __name__ == "__main__":
    # get t_matrix from somewhere
    main(t_matrix)

Answer 2

from concurrent.futures import ProcessPoolExecutor, Future, wait
from itertools import combinations
from functools import partial

similarity_matrix = [[0]*word_count for _ in range(word_count)]

def callback(i, j, future):
    similarity_matrix[i][j] = future.result()
    similarity_matrix[j][i] = future.result()

with ProcessPoolExecutor(max_workers=4) as executer:
    fs = []
    for i, j in combinations(range(wordcount), 2):
        future = excuter.submit(
                    calculate_similarity, 
                    t_matrix[i], 
                    t_matrix[j])

        future.add_done_callback(partial(callback, i, j))
        fs.append(future)

    wait(fs)

Answer 3

对于如此大量的数据，您正在使用许多列表推导。我强烈推荐numpy模块。如果这是一个选项，你可以这样做：

import numpy as np
import itertools

t = np.array(t_matrix)

s = np.sum(t,axis=1)

denom = s[:,None] + s[None,:]
num = np.zeros((word_count,word_count))

for i,j in itertools.product(range(word_count),repeat=2):
    num[i,j] = np.where(t[i] <= t[j], t[i], t[j]).sum()

similarity_matrix = np.where(denom != 0.0, 2.*num/denom, 0 )

在python中并行化这个嵌套的for循环

3 个答案: