Ich versuche, Interpunktion aus einer Unicode-Zeichenfolge effizient zu entfernen. Bei einer normalen Zeichenfolge ist mystring.translate(None, string.punctuation)
eindeutig die fastest approach. Dieser Code bricht jedoch eine Unicode-Zeichenfolge in Python 2.7. Wie die Kommentare zu dieser erklären, kann die translate-Methode noch implementiert werden, aber es muss mit einem Dictionary implementiert werden. Wenn ich aber diese implementation benutze, finde ich, dass die Leistung von translate drastisch reduziert ist. Hier ist mein Timing-Code (kopiert in erster Linie von dieser answer):Schnellste Möglichkeit, Interpunktion von einer Unicode-Zeichenfolge in Python zu entfernen
import re, string, timeit
import unicodedata
import sys
#String from this article www.wired.com/design/2013/12/find-the-best-of-reddit-with-this-interactive-map/
s = "For me, Reddit brings to mind Obi Wan’s enduring description of the Mos Eisley cantina: a wretched hive of scum and villainy. But, you know, one you still kinda want to hang out in occasionally. The thing is, though, Reddit isn’t some obscure dive bar in a remote corner of the universe—it’s a huge watering hole at the very center of it. The site had some 400 million unique visitors in 2012. They can’t all be Greedos. So maybe my problem is just that I’ve never been able to find the places where the decent people hang out."
su = u"For me, Reddit brings to mind Obi Wan’s enduring description of the Mos Eisley cantina: a wretched hive of scum and villainy. But, you know, one you still kinda want to hang out in occasionally. The thing is, though, Reddit isn’t some obscure dive bar in a remote corner of the universe—it’s a huge watering hole at the very center of it. The site had some 400 million unique visitors in 2012. They can’t all be Greedos. So maybe my problem is just that I’ve never been able to find the places where the decent people hang out."
exclude = set(string.punctuation)
regex = re.compile('[%s]' % re.escape(string.punctuation))
def test_set(s):
return ''.join(ch for ch in s if ch not in exclude)
def test_re(s): # From Vinko's solution, with fix.
return regex.sub('', s)
def test_trans(s):
return s.translate(None, string.punctuation)
tbl = dict.fromkeys(i for i in xrange(sys.maxunicode)
if unicodedata.category(unichr(i)).startswith('P'))
def test_trans_unicode(su):
return su.translate(tbl)
def test_repl(s): # From S.Lott's solution
for c in string.punctuation:
s=s.replace(c,"")
return s
print "sets :",timeit.Timer('f(s)', 'from __main__ import s,test_set as f').timeit(1000000)
print "regex :",timeit.Timer('f(s)', 'from __main__ import s,test_re as f').timeit(1000000)
print "translate :",timeit.Timer('f(s)', 'from __main__ import s,test_trans as f').timeit(1000000)
print "replace :",timeit.Timer('f(s)', 'from __main__ import s,test_repl as f').timeit(1000000)
print "sets (unicode) :",timeit.Timer('f(su)', 'from __main__ import su,test_set as f').timeit(1000000)
print "regex (unicode) :",timeit.Timer('f(su)', 'from __main__ import su,test_re as f').timeit(1000000)
print "translate (unicode) :",timeit.Timer('f(su)', 'from __main__ import su,test_trans_unicode as f').timeit(1000000)
print "replace (unicode) :",timeit.Timer('f(su)', 'from __main__ import su,test_repl as f').timeit(1000000)
Als meine Ergebnisse zeigen, die Unicode-Implementierung übersetzen führt schrecklich:
sets : 38.323941946
regex : 6.7729549408
translate : 1.27428412437
replace : 5.54967689514
sets (unicode) : 43.6268708706
regex (unicode) : 7.32343912125
translate (unicode) : 54.0041439533
replace (unicode) : 17.4450061321
Meine Frage ist, ob es einen schnelleren Weg zu Implementieren Sie translate für Unicode (oder eine andere Methode), die Regex übertreffen würde.
einen kurzen Blick auf den C-Quellcode unter der ' translate "eingebaut zwischen' stringobject.c' und 'unicodeobject.c' sind sie tatsächlich sehr unterschiedlich implementiert. – qwwqwwq
Sie könnten es wahrscheinlich beschleunigen, ja. Es gibt eine Reihe von Funktionsaufrufen, die hauptsächlich der Übersichtlichkeit dienen. diese könnten inline sein. Das Hauptproblem bei der Implementierung ist, dass Unicode-Zeichen intensiver zu analysieren sind und dass die Anzahl der möglichen Ersetzungen viel größer ist (Ihr 'tbl' enthält 585 Zeichen), was die in" unicodeobject "verwendete Kartenstrategie erfordert. Ist die Regex-Methode zu langsam? – beerbajay
Ich habe nicht einmal über die C-Implementierung nachgedacht, ich meinte nur, dass es existierenden Python-Code gibt, der die Regex-Methode übertreffen kann. Die Regex-Methode wird gut funktionieren, das ist, was ich für jetzt implementiert habe, aber es ist fünf mal langsamer und ich habe viel Text, also dachte ich, ich würde fragen. – Michael