Python代码中的全字符串解析

Question

我需要对葡萄牙语字符串执行词干分析。为此，我使用nltk.word_标记化（）函数a，然后分别对每个单词进行词干分析。之后，我重建了字符串。它是有效的，但表现不好。我怎样才能更快？字符串长度约为200万字。在

    tokenAux=""
    tokens = nltk.word_tokenize(portugueseString)
        for token in tokens:
            tokenAux = token
            tokenAux = stemmer.stem(token)    
            textAux = textAux + " "+ tokenAux
    print(textAux)

抱歉，英语不好，谢谢！在

Answer 1

string是不可变的，因此，如果字符串很长，则不是每次都更新字符串的好做法。link here解释了连接字符串的各种方法，并显示了性能分析。由于迭代只进行一次，所以最好选择generator expression而不是{}。有关详细信息，请查看discussion here 。在这种情况下，将generator expression与join一起使用可能会有帮助：

将my_text用于长字符串：len(my_text) -> 444399

使用timeit进行比较：

%%timeit
tokenAux=""
textAux=""
tokens = nltk.word_tokenize(my_text)
for token in tokens:
    tokenAux = token
    tokenAux = stemmer.stem(token)    
    textAux = textAux + " "+ tokenAux

结果：

^{pr2}$

将generator expression与join一起使用：

%%timeit 
' '.join(stemmer.stem(token) for token in nltk.word_tokenize(my_text))

结果：

1 loop, best of 3: 2.93 s per loop

Answer 2

您可以将字符串作为文本文件读入，然后执行必要的操作，使用PySpark对每个单词执行词干。这将允许您并行执行操作。在

您也可以使用multiprocessing module。在

Answer 3

字符串对象在Python中是不可变的。查看您的代码：

textAux = ""
for token in tokens:
    # something important ...
    textAux = textAux + " "+ tokenAux

每次在循环中创建新字符串并将其分配给textAux变量时。这是没有效率的。在

我将把tokenAux元素存储在一个列表中，最后将它们连接起来。参见示例：

^{pr2}$

比较性能并与我们分享：）

有用的链接：

• Why are Python strings immutable? Best practices for using them
• Explain Python .join()