数据清洗工具flashtext，效率直接提升了几十倍数

在平常的一些的小规模的数据的过滤、清洗过程中使用最多的就是正则表达式，但是随着数据规模的增大，正则表达式就显得有些心有余力不足了。
【阅读全文】
正则表达式在一个 10k 的词库中查找 15k 个关键词的时间差不多是 0.165 秒。但是对于 Flashtext 而言只需要 0.002 秒。因此，在这个问题上 Flashtext的速度大约比正则表达式快 82 倍。

从上面的示例图的性能对比中，可以发现随着我们需要处理的字符越来越多，正则表达式的处理速度几乎都是线性增加的。然而，Flashtext 几乎是一个常量。
1、准备flashtext环境
通过pip的方式来安装flashtext，或是其他的方式也是可以的，这里默认使用的是清华大学的镜像站。

1. pip install flashtext -i https://pypi.tuna.tsinghua.edu.cn/simple

复制代码

在准备好flashtext环境以后，来看一下flashtext重要的使用过程，帮助我们能更好的完成数据清洗操作。
2、添加关键词
这里添加关键词时是通过单个关键词的来添加到关键词词库中，使用add_keyword函数来添加。第一次参数表示需要添加的关键词，第二个参数则表示为第一个关键词的别名，如果关键词被找到了则显示为别名的形式，若是没有使用第二个参数作为别名则还是显示原有的名称。

1. from flashtext import KeywordProcessor
3. # 初始化关键词库处理器
5. processor = KeywordProcessor()
7. # 常规方式添加关键词
9. processor.add_keyword('Python')
11. # 别名方式添加关键词
13. processor.add_keyword('Scala', 'Java')

复制代码

这样分别使用两种方式已经将需要的关键词添加到词库处理器中了。
3、提取关键词
通过上一步添加关键词，现在词库处理器中已经存在有关键词的信息了，再使用extract_keywords将关键词提取出来即可。

1. # 在一个字符串中提取出关键词信息
3. found = processor.extract_keywords('I like Python and Scala.')
5. # 结果
7. print(found)
9. # ['Python', 'Java']

复制代码

结果出来了，跟我们预想的是一样的，并Scala也显示为了Java。
4、替换关键词
替换关键词使用的是replace_keywords函数，前提是词库中拥有别名的词才能被替换，就像上面的Scala被显示成了的Java一样。
替换一个字符串中的Scala关键词，由于Scala对应的别名是Java，所以一个字符串中的Scala应该被替换为Java。

1. replaced = processor.replace_keywords('I like Scala.')
3. # 结果
5. print(replaced)
7. # I like Java.
9. # Scala 果真就被替换为了Java。

复制代码

5、获取所有关键词
有些时候，在KeywordProcessor词库处理器中添加了哪些关键词可能自己都记不清楚了，这个时候可以使用get_all_keywords函数来获取当前的所有关键词。

1. all_keywords = processor.get_all_keywords()
3. # 结果
5. print(all_keywords)
7. # {'python': 'Python', 'scala': 'Java'}

复制代码

6、批量的添加关键词
当关键词库需要更多的关键词的时候，可以通过列表或是字典的方式来进行批量的添加。对应的函数分别是add_keywords_from_list、add_keywords_from_dict函数。

1. # 初始化一个字典通过用来做批量添加
3. dict_ = {
4.     'java': ['java_ee', 'java_se', 'java_me'],
5.     'python': ['pandas', 'all']
6. }
8. # 通过字典的方式来批量添加关键词
10. processor.add_keywords_from_dict(dict_)
12. # 从批量添加的关键词中匹配关键词
14. result = processor.extract_keywords('looking for java_ee and pandas.')
16. # 结果
18. print(result)
20. # ['java', 'python']
22. # 通过列表的方式批量添加关键词
24. processor.add_keywords_from_list(['scala', 'python', 'scala', 'go'])
26. # 通过get_all_keywords查看一下所有关键词
28. all_keywords = processor.get_all_keywords()
30. # 结果
32. print(all_keywords)
34. # {'python': 'python', 'pandas': 'python', 'scala': 'scala', 'java_ee': 'java', 'java_se': 'java', 'java_me': 'java', 'all': 'python', 'go': 'go'}

复制代码

发现所有的关键词已经添加到词库处理器中，并且重复的不会再次添加。
7、批量删除关键词
批量删除词库处理器中的关键词同样是有两种方式，一个是列表、另一个是字典。对应的函数分别是remove_keywords_from_list、remove_keywords_from_dict函数。

1. # 批量移除列表中的关键词
3. processor.remove_keywords_from_list(['python','java_ee','java_me'])
5. # 批量移除字典中的关键词
7. processor.remove_keywords_from_dict({'python': ['pandas','all']})
9. # 通过get_all_keywords查看一下所有关键词
11. all_keywords = processor.get_all_keywords()
13. # 结果
15. print(all_keywords)
17. # {'scala': 'scala', 'java_se': 'java', 'go': 'go'}

复制代码

发现需要移除的关键词已经被全部移除了。
8、执行效率对比
为了更可观的展示效果，找了两个flashtext在搜索和替换关键词过程中的效率对比图可以一目了然。
flashtext、正则表达式搜索效率对比

flashtext、正则表达式搜索替换对比

【往期精彩】

一个help函数解决了python的所有文档信息查看...
python 自定义异常/raise关键字抛出异常
python 本地音乐播放器制作过程（附完整源码）
自动化工具：PyAutoGUI的鼠标与键盘控制，解放双手的利器！
来自程序猿的生日蛋糕你见过吗？

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！