一些分析的嘗試。我認爲使用發電機可以提高這裏的速度。但與原始版本的輕微修改相比,改進並不明顯。但是如果你不需要同時完整的列表,那麼生成器函數應該更快。
import timeit
from itertools import tee, izip, islice
def isplit(source, sep):
sepsize = len(sep)
start = 0
while True:
idx = source.find(sep, start)
if idx == -1:
yield source[start:]
return
yield source[start:idx]
start = idx + sepsize
def pairwise(iterable, n=2):
return izip(*(islice(it, pos, None) for pos, it in enumerate(tee(iterable, n))))
def zipngram(text, n=2):
return zip(*[text.split()[i:] for i in range(n)])
def zipngram2(text, n=2):
words = text.split()
return pairwise(words, n)
def zipngram3(text, n=2):
words = text.split()
return zip(*[words[i:] for i in range(n)])
def zipngram4(text, n=2):
words = isplit(text, ' ')
return pairwise(words, n)
s = "Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident, sunt in culpa qui officia deserunt mollit anim id est laborum."
s = s * 10 ** 3
res = []
for n in range(15):
a = timeit.timeit('zipngram(s, n)', 'from __main__ import zipngram, s, n', number=100)
b = timeit.timeit('list(zipngram2(s, n))', 'from __main__ import zipngram2, s, n', number=100)
c = timeit.timeit('zipngram3(s, n)', 'from __main__ import zipngram3, s, n', number=100)
d = timeit.timeit('list(zipngram4(s, n))', 'from __main__ import zipngram4, s, n', number=100)
res.append((a, b, c, d))
a, b, c, d = zip(*res)
import matplotlib.pyplot as plt
plt.plot(a, label="zipngram")
plt.plot(b, label="zipngram2")
plt.plot(c, label="zipngram3")
plt.plot(d, label="zipngram4")
plt.legend(loc=0)
plt.show()
對於此測試數據,zipngram2和zipngram3似乎是最快的一個良好的邊緣。
對於'n'的不同值有單獨的函數可以嗎?在'zipngram'中對其進行硬編碼並刪除列表表達式可以在一些粗糙的實驗中提供1.5-2倍的加速比。 – dmcc
當然,任何方法,只要它更快,並實現相同的輸出=)。謹慎分享代碼和一些分析? – alvas
通過'cffi'計數在Cython或C中執行實現嗎?那些將會是最快的,但如果字母表是unicode而不是微不足道的,比如說ACSII就不重要了。如果是後者,SSE大會可能會踢屁股。此外,如果文本足夠長,您可能希望在覈心之間傳播工作。 –