检查字符串是否是字符串列表中的子字符串的最快方法

时间:2017-09-06 09:02:46

标签: python-3.x

我有一个包含4000个不同名字的静态列表:所以列表的长度很大(4000),但每个字符串大约有4到12个字符(它们是名称)。

然后,我有一个从数据库中检索到10000个字符串的动态列表:这些字符串可能有任意长度。

我需要为10000个字符串中的每一个输出该字符串是否包含4000个名称中的一个,如果是,则输出哪一个。如果它包含多个名称,我只需要其中一个(即第一个)。此外,它不太可能找到这样的名称,所以10000中的10个可能只包含一个名称。

到目前为止我的代码:

names # list of 4000 short static names
fields # list of 10000 retrieved strings

def findit(element):
    for name in names:
        if name in element:
            return name
    return None

output = [findit(element) for element in fields]

这当然是有效的。然而,它完全是缓慢的,因为它不太可能找到一个名称,因为我测试的是子串而不是相等(即我不能使用bisect或其他基于排序的索引技术)。它几乎所有时间都完全扫描所有名单。所以基本上,它执行大约10000 x 4000 = 4,000万""比较。

是否有优化此类搜索的算法?

3 个答案:

答案 0 :(得分:3)

您可以考虑将名单列表转换为一个正则表达式。以这个小名单为例:

names = ['AARON',
    'ABDUL',
    'ABE',
    'ABEL',
    'ABRAHAM',
    'ABRAM',
    'ADALBERTO',
    'ADAM',
    'ADAN',
    'ADOLFO',
    'ADOLPH',
    'ADRIAN',
]

可以使用以下正则表达式表示:

\b(?:AARON|ABDUL|ABE|ABEL|ABRAHAM|ABRAM|ADALBERTO|ADAM|ADAN|ADOLFO|ADOLPH|ADRIAN)\b

但这不会非常有效。像树一样构建的正则表达式可以更好地工作:

\b(?:A(?:B(?:E(?:|L)|RA(?:M|HAM)|DUL)|D(?:A(?:M|N|LBERTO)|OL(?:FO|PH)|RIAN)|ARON))\b

然后,您可以自动生成此正则表达式 - 可能首先从名称列表中创建dict - 树结构,然后将该树转换为正则表达式。对于上面的示例,该中间树将如下所示:

{
    'A': {
        'A': {
            'R': {
                'O': {
                    'N': {
                        '': {}
                    }
                }
            }
        }, 
        'B': {
            'D': {
                'U': {
                    'L': {
                        '': {}
                    }
                }
            }, 
            'E': {
                '': {}, 
                'L': {
                    '': {}
                }
            }, 
... etc

...可以选择简化为:

{
    'A': {
        'ARON': {
            '': {}
        }
        'B': {
            'DUL': {
                '': {}
            },
            'E': {
                '': {}, 
                'L': {
                    '': {}
                }
            },
            'RA': {
                'HAM': {
                    '': {}
                },
                'M': {
                    '': {}
                } 
            } 
        }, 

... etc

以下是建议执行此操作的代码:

import re 

def addToTree(tree, name):
    if len(name) == 0:
        return
    if name[0] in tree.keys():
        addToTree(tree[name[0]], name[1:])
    else:
        for letter in name:
            tree[letter] = {}
            tree = tree[letter]
        tree[''] = {}

# Optional improvement of the tree: it combines several consecutive letters into 
# one key if there are no alternatives possible
def simplifyTree(tree):
    repeat = True
    while repeat:
        repeat = False
        for key, subtree in list(tree.items()):
            if key != '' and len(subtree) == 1 and '' not in subtree.keys():
                for letter, subsubtree in subtree.items():
                    tree[key + letter] = subsubtree
                del tree[key]
                repeat = True
    for key, subtree in tree.items():
        if key != '': 
            simplifyTree(subtree)

def treeToRegExp(tree):
    regexp = [re.escape(key) + treeToRegExp(subtree) for key, subtree in tree.items()]
    regexp = '|'.join(regexp)
    return '' if regexp == '' else '(?:' + regexp + ')'

def listToRegExp(names):
    tree = {}
    for name in names:
        addToTree(tree, name[:])
    simplifyTree(tree)
    return re.compile(r'\b' + treeToRegExp(tree) + r'\b', re.I)

# Demo
names = ['AARON',
'ABDUL',
'ABE',
'ABEL',
'ABRAHAM',
'ABRAM',
'ADALBERTO',
'ADAM',
'ADAN',
'ADOLFO',
'ADOLPH',
'ADRIAN',
]

fields = [
    'This is Aaron speaking',
    'Is Abex a name?',
    'Where did Abraham get the mustard from?'
]

regexp = listToRegExp(names)
# get the search result for each field, and link it with the index of the field
results = [[i, regexp.search(field)] for i, field in enumerate(fields)]
# remove non-matches from the results
results = [[i, match.group(0)] for [i, match] in results if match]
# print results
print(results)

repl.it

上查看它

答案 1 :(得分:0)

我认为这可能会更快,如果您要使用set()输入并只检查集合之间的交集:

names = ['AARON',
    'ABDUL',
    'ABE',
    'ABEL',
    'ABRAHAM',
    'ABRAM',
    'ADALBERTO',
    'ADAM',
    'ADAN',
    'ADOLFO',
    'ADOLPH',
    'ADRIAN',
]

search = {'BE', 'LFO', 'AB'}

def get_all_substrings(input_string):
  length = len(input_string)
  return {input_string[i:j+1] for i in range(length) for j in xrange(i,length)}

names_subs = {name: get_all_substrings(name)  for name in names}
result = [name for name, sub in names_subs.items() if bool(search.intersection(sub))]

答案 2 :(得分:0)

我已经了解了用于多字符串搜索的Aho-Corasick算法(参见https://en.wikipedia.org/wiki/Aho%E2%80%93Corasick_algorithm),以及它的python实现 pyahocorasick (参见http://pyahocorasick.readthedocs.io/en/latest/)。

我使用这个库重写了我的代码:

import ahocorasick

names # list of 4000 short static names
fields # list of 10000 retrieved strings

automaton = ahocorasick.Automaton()

for name in names:
    automaton.add_word(name, name)

automaton.make_automaton()

def findit_with_ahocorasick(element):
    try:
        return next(A.iter(element))[1]
    except StopIteration:
        return None


output = [findit_with_ahocorasick(element) for element in fields]

与之前相比,它的运行速度要快得多(即我估算了我的数据的原始统计数据,整个10000批次的时间约为12秒,而0.8秒)。

此外,正如文档所述,自动机对象的初始创建(需要提供名称列表以创建单词树)如果单词是静态的,可以进行腌制,因为它们在我的情况下