Question

这是一篇自我回答的帖子。下面我概述NLP域中的一个常见问题，并提出一些高效的方法来解决它。

通常需要在文本清理和预处理期间删除标点符号。标点符号定义为string.punctuation中的任何字符：

>>> import string
string.punctuation
'!"#$%&\'()*+,-./:;<=>?@[\\]^_`{|}~'

这是一个很常见的问题，并且在恶心之前就被问过了。最惯用的解决方案是使用pandas str.replace。但是，对于涉及 lot 文本的情况，可能需要考虑更高性能的解决方案。

在处理数十万条记录时，str.replace有哪些优秀，高效的替代方案？

Answer 1

设置

为了演示，让我们考虑一下这个DataFrame。

df = pd.DataFrame({'text':['a..b?!??', '%hgh&12','abc123!!!', '$$$1234']})
df
        text
0   a..b?!??
1    %hgh&12
2  abc123!!!
3    $$$1234

下面，我逐一列出替代方案，按性能递增顺序

`str.replace`

此选项用于将默认方法建立为比较其他更高性能解决方案的基准。

这使用pandas内置str.replace函数执行基于正则表达式的替换。

df['text'] = df['text'].str.replace(r'[^\w\s]+', '')

df
     text
0      ab
1   hgh12
2  abc123
3    1234

这很容易编码，并且可读性很强，但速度很慢。

`regex.sub`

这涉及使用sub库中的re函数。为性能预编译正则表达式模式，并在列表解析中调用regex.sub。如果你可以节省一些内存，事先将df['text']转换为一个列表，你可以从中获得很好的性能提升。

import re
p = re.compile(r'[^\w\s]+')
df['text'] = [p.sub('', x) for x in df['text'].tolist()]

df
     text
0      ab
1   hgh12
2  abc123
3    1234

注意：如果您的数据具有NaN值，则此（以及下面的下一个方法）将无法正常工作。请参阅“其他注意事项”部分。

`str.translate`

python的str.translate函数在C中实现，因此非常快。

这是如何工作的：

首先，使用您选择的单个（或更多）字符分隔符，将所有字符串连接在一起以形成一个巨大字符串。您必须使用您可以保证不属于您的数据的字符/子字符串。
对大字符串执行str.translate，删除标点符号（不包括第1步中的分隔符）。
在步骤1中用于连接的分隔符上拆分字符串。结果列表必须与初始列的长度相同。

在这个例子中，我们考虑管道分隔符|。如果您的数据包含管道，则必须选择另一个分隔符。

import string

punct = '!"#$%&\'()*+,-./:;<=>?@[\\]^_`{}~'   # `|` is not present here
transtab = str.maketrans(dict.fromkeys(punct, ''))

df['text'] = '|'.join(df['text'].tolist()).translate(transtab).split('|')

df
     text
0      ab
1   hgh12
2  abc123
3    1234

性能

str.translate表现最好。请注意，下图包含来自MaxU's answer的其他变体Series.str.translate。

（有趣的是，我第二次重申这一点，结果与之前略有不同。在第二次运行期间，似乎re.sub在str.translate上赢得了非常少量的数据。）

使用translate存在固有的风险（尤其是自动化决定使用哪个分隔符的过程非常重要），但权衡取舍值得冒风险。

其他注意事项

使用列表推导方法处理NaN; 请注意，只有您的数据没有NaN时，此方法（以及下一个方法）才有效。处理NaN时，您必须确定非空值的索引并仅替换它们。尝试这样的事情：

df = pd.DataFrame({'text': [
    'a..b?!??', np.nan, '%hgh&12','abc123!!!', '$$$1234', np.nan]})

idx = np.flatnonzero(df['text'].notna())
col_idx = df.columns.get_loc('text')
df.iloc[idx,col_idx] = [
    p.sub('', x) for x in df.iloc[idx,col_idx].tolist()]

df
     text
0      ab
1     NaN
2   hgh12
3  abc123
4    1234
5     NaN

处理DataFrames; 如果您正在处理DataFrames，每个列都需要替换，那么过程很简单：

v = pd.Series(df.values.ravel())
df[:] = translate(v).values.reshape(df.shape)

或者，

v = df.stack()
v[:] = translate(v)
df = v.unstack()

请注意，下面使用基准测试代码定义translate函数。

每个解决方案都有权衡，因此决定最适合您需求的解决方案将取决于您愿意牺牲的内容。两个非常常见的考虑因素是性能（我们已经看到）和内存使用情况。 str.translate是一个需要大量内存的解决方案，因此请谨慎使用。

另一个考虑因素是你的正则表达式的复杂性。有时，您可能希望删除任何非字母数字或空格的内容。在Othertimes中，您需要保留某些字符，例如连字符，冒号和句子终止符[.!?]。指定这些明确增加了正则表达式的复杂性，这可能反过来影响这些解决方案的性能。确保测试这些解决方案在决定使用什么之前对你的数据进行处理。

最后，使用此解决方案将删除unicode字符。您可能想要调整正则表达式（如果使用基于正则表达式的解决方案），或者只是使用str.translate。

对于更多表现（对于较大的N），请按Paul Panzer查看此答案。

附录

<强>功能

def pd_replace(df):
    return df.assign(text=df['text'].str.replace(r'[^\w\s]+', ''))


def re_sub(df):
    p = re.compile(r'[^\w\s]+')
    return df.assign(text=[p.sub('', x) for x in df['text'].tolist()])

def translate(df):
    punct = string.punctuation.replace('|', '')
    transtab = str.maketrans(dict.fromkeys(punct, ''))

    return df.assign(
        text='|'.join(df['text'].tolist()).translate(transtab).split('|')
    )

# MaxU's version (https://stackoverflow.com/a/50444659/4909087)
def pd_translate(df):
    punct = string.punctuation.replace('|', '')
    transtab = str.maketrans(dict.fromkeys(punct, ''))

    return df.assign(text=df['text'].str.translate(transtab))

效果基准代码

from timeit import timeit

import pandas as pd
import matplotlib.pyplot as plt

res = pd.DataFrame(
       index=['pd_replace', 're_sub', 'translate', 'pd_translate'],
       columns=[10, 50, 100, 500, 1000, 5000, 10000, 50000],
       dtype=float
)

for f in res.index: 
    for c in res.columns:
        l = ['a..b?!??', '%hgh&12','abc123!!!', '$$$1234'] * c
        df = pd.DataFrame({'text' : l})
        stmt = '{}(df)'.format(f)
        setp = 'from __main__ import df, {}'.format(f)
        res.at[f, c] = timeit(stmt, setp, number=30)

ax = res.div(res.min()).T.plot(loglog=True) 
ax.set_xlabel("N"); 
ax.set_ylabel("time (relative)");

plt.show()

Answer 2

使用numpy，我们可以获得迄今为止发布的最佳方法的健康加速。基本策略是相似的 - 制作一个超级大字符串。但是在numpy中处理似乎要快得多，大概是因为我们充分利用了无需替换的操作的简单性。

对于较小的（总共少于0x110000个字符）问题，我们会自动找到分隔符，对于较大的问题，我们使用较慢的方法，而不依赖于str.split。

请注意，我已将所有预可计算项移出函数。另请注意，translate和pd_translate了解免费的三大问题唯一可能的分隔符，而np_multi_strat必须计算它或回退到无分隔符策略。最后，请注意，对于最后三个数据点，我切换到了一个更有趣的＆＃34;问题; pd_replace和re_sub，因为它们不等同于其他方法必须被排除在外。

关于算法：

基本策略实际上非常简单。只有0x110000个不同的unicode字符。由于OP构成了巨大数据集的挑战，因此制作一个查询表非常值得我们想要保留的字符ID True和False必须去---我们的例子中的标点符号。

使用numpy的高级索引可以将这样的查找表用于批量连接。由于查找是完全向量化的，并且基本上相当于取消引用指针数组，因此它比例如字典查找要快得多。这里我们使用numpy视图转换，它允许将unicode字符重新解释为整数，基本上是免费的。

使用仅包含一个怪物字符串的数据数组，该字符串被重新解释为要编入查找表的数字序列，从而产生布尔掩码。然后可以使用此掩码过滤掉不需要的字符。使用布尔索引也是一行代码。

到目前为止这么简单。棘手的一点就是把怪物绳子砍回原来的部位。如果我们有一个分隔符，即一个字符在数据或标点符号列表中没有出现，那么它仍然很容易。使用此字符加入并重新分页。但是，自动查找分隔符很有挑战性，实际上占下面实现中loc的一半。

或者，我们可以将分割点保持在单独的数据结构中，跟踪它们如何移动以删除不需要的字符，然后使用它们来切片处理过的怪物字符串。由于切割成不均匀长度的部分不是numpy最强的套装，这种方法比str.split慢，并且仅当分隔符太昂贵而无法计算它是否存在于第一位时用作后备

代码（根据@ COLDSPEED＆＃39;帖子计时/绘图很多）：

import numpy as np
import pandas as pd
import string
import re


spct = np.array([string.punctuation]).view(np.int32)
lookup = np.zeros((0x110000,), dtype=bool)
lookup[spct] = True
invlookup = ~lookup
OSEP = spct[0]
SEP = chr(OSEP)
while SEP in string.punctuation:
    OSEP = np.random.randint(0, 0x110000)
    SEP = chr(OSEP)


def find_sep_2(letters):
    letters = np.array([letters]).view(np.int32)
    msk = invlookup.copy()
    msk[letters] = False
    sep = msk.argmax()
    if not msk[sep]:
        return None
    return sep

def find_sep(letters, sep=0x88000):
    letters = np.array([letters]).view(np.int32)
    cmp = np.sign(sep-letters)
    cmpf = np.sign(sep-spct)
    if cmp.sum() + cmpf.sum() >= 1:
        left, right, gs = sep+1, 0x110000, -1
    else:
        left, right, gs = 0, sep, 1
    idx, = np.where(cmp == gs)
    idxf, = np.where(cmpf == gs)
    sep = (left + right) // 2
    while True:
        cmp = np.sign(sep-letters[idx])
        cmpf = np.sign(sep-spct[idxf])
        if cmp.all() and cmpf.all():
            return sep
        if cmp.sum() + cmpf.sum() >= (left & 1 == right & 1):
            left, sep, gs = sep+1, (right + sep) // 2, -1
        else:
            right, sep, gs = sep, (left + sep) // 2, 1
        idx = idx[cmp == gs]
        idxf = idxf[cmpf == gs]

def np_multi_strat(df):
    L = df['text'].tolist()
    all_ = ''.join(L)
    sep = 0x088000
    if chr(sep) in all_: # very unlikely ...
        if len(all_) >= 0x110000: # fall back to separator-less method
                                  # (finding separator too expensive)
            LL = np.array((0, *map(len, L)))
            LLL = LL.cumsum()
            all_ = np.array([all_]).view(np.int32)
            pnct = invlookup[all_]
            NL = np.add.reduceat(pnct, LLL[:-1])
            NLL = np.concatenate([[0], NL.cumsum()]).tolist()
            all_ = all_[pnct]
            all_ = all_.view(f'U{all_.size}').item(0)
            return df.assign(text=[all_[NLL[i]:NLL[i+1]]
                                   for i in range(len(NLL)-1)])
        elif len(all_) >= 0x22000: # use mask
            sep = find_sep_2(all_)
        else: # use bisection
            sep = find_sep(all_)
    all_ = np.array([chr(sep).join(L)]).view(np.int32)
    pnct = invlookup[all_]
    all_ = all_[pnct]
    all_ = all_.view(f'U{all_.size}').item(0)
    return df.assign(text=all_.split(chr(sep)))

def pd_replace(df):
    return df.assign(text=df['text'].str.replace(r'[^\w\s]+', ''))


p = re.compile(r'[^\w\s]+')

def re_sub(df):
    return df.assign(text=[p.sub('', x) for x in df['text'].tolist()])

punct = string.punctuation.replace(SEP, '')
transtab = str.maketrans(dict.fromkeys(punct, ''))

def translate(df):
    return df.assign(
        text=SEP.join(df['text'].tolist()).translate(transtab).split(SEP)
    )

# MaxU's version (https://stackoverflow.com/a/50444659/4909087)
def pd_translate(df):
    return df.assign(text=df['text'].str.translate(transtab))

from timeit import timeit

import pandas as pd
import matplotlib.pyplot as plt

res = pd.DataFrame(
       index=['translate', 'pd_replace', 're_sub', 'pd_translate', 'np_multi_strat'],
       columns=[10, 50, 100, 500, 1000, 5000, 10000, 50000, 100000, 500000,
                1000000],
       dtype=float
)

for c in res.columns:
    if c >= 100000: # stress test the separator finder
        all_ = np.r_[:OSEP, OSEP+1:0x110000].repeat(c//10000)
        np.random.shuffle(all_)
        split = np.arange(c-1) + \
                np.sort(np.random.randint(0, len(all_) - c + 2, (c-1,))) 
        l = [x.view(f'U{x.size}').item(0) for x in np.split(all_, split)]
    else:
        l = ['a..b?!??', '%hgh&12','abc123!!!', '$$$1234'] * c
    df = pd.DataFrame({'text' : l})
    for f in res.index: 
        if f == res.index[0]:
            ref = globals()[f](df).text
        elif not (ref == globals()[f](df).text).all():
            res.at[f, c] = np.nan
            print(f, 'disagrees at', c)
            continue
        stmt = '{}(df)'.format(f)
        setp = 'from __main__ import df, {}'.format(f)
        res.at[f, c] = timeit(stmt, setp, number=16)

ax = res.div(res.min()).T.plot(loglog=True) 
ax.set_xlabel("N"); 
ax.set_ylabel("time (relative)");

plt.show()

Answer 3

有趣的是，与Vanilla Python str.translate()相比，矢量化Series.str.translate方法仍然稍慢：

def pd_translate(df):
    return df.assign(text=df['text'].str.translate(transtab))

使用pandas快速删除标点符号

3 个答案:

设置

`str.replace`

`regex.sub`

`str.translate`

性能

其他注意事项

附录

关于算法：