Python 为什么我的NLTK函数在处理数据帧时很慢？

我试图在一个数据集中用我的百万行运行一个函数

我在数据框中从CSV读取数据

我使用删除列表删除不需要的数据

我通过for循环中的NLTK函数传递它

代码：

现在我使用for循环调用上面的函数，以遍历一百万条记录。即使我在一个有24核cpu和88 GB Ram的重型服务器上，我看到循环占用了太多时间，没有使用现有的计算能力

我这样调用上面的函数

data = pd.read_excel(scrPath + "UserData_Full.xlsx", encoding='utf-8')
droplist = ['Submitter', 'Environment']
data.drop(droplist,axis=1,inplace=True)

#Merging the columns company and detailed description

data['Anylize_Text']= data['Company'].astype(str) + ' ' + data['Detailed_Description'].astype(str)

finallist =[]

for eachlist in data['Anylize_Text']:
    z = nlkt(eachlist)
    finallist.append(z)

当我们有几百万条记录时，上面的代码工作得非常好，只是太慢了。这只是excel中的一个示例记录，但实际数据将以DB为单位，并将以几亿的速度运行。是否有任何方法可以加快操作速度以更快地通过函数传递数据-使用更高的计算能力？

您原来的

nlkt（）

每行循环3次

def nlkt(val):
    val=repr(val)
    clean_txt = [word for word in val.split() if word.lower() not in stopwords.words('english')]
    nopunc = [char for char in str(clean_txt) if char not in string.punctuation]
    nonum = [char for char in nopunc if not char.isdigit()]
    words_string = ''.join(nonum)
    return words_string

此外，每次调用

nlkt（）

，您都会一次又一次地初始化它们

• stopwords.words（'english'）

• string.标点符号

这些应该是全球性的

stoplist = stopwords.words('english') + list(string.punctuation)

逐行检查：

val=repr(val)

我不知道你为什么要这么做。但您可以轻松地将列强制转换为

str

类型。这应该在预处理函数之外完成

希望这是不言自明的：

>>> import pandas as pd
>>> df = pd.DataFrame([[0, 1, 2], [2, 'xyz', 4], [5, 'abc', 'def']])
>>> df
   0    1    2
0  0    1    2
1  2  xyz    4
2  5  abc  def
>>> df[1]
0      1
1    xyz
2    abc
Name: 1, dtype: object
>>> df[1].astype(str)
0      1
1    xyz
2    abc
Name: 1, dtype: object
>>> list(df[1])
[1, 'xyz', 'abc']
>>> list(df[1].astype(str))
['1', 'xyz', 'abc']

现在转到下一行：

clean_txt = [word for word in val.split() if word.lower() not in stopwords.words('english')]

使用

str.split（）。否则，您的标点符号可能会与前面的单词卡住，例如

>>> from nltk.corpus import stopwords
>>> from nltk import word_tokenize
>>> import string
>>> stoplist = stopwords.words('english') + list(string.punctuation)
>>> stoplist = set(stoplist)

>>> text = 'This is foo, bar and doh.'

>>> [word for word in text.split() if word.lower() not in stoplist]
['foo,', 'bar', 'doh.']

>>> [word for word in word_tokenize(text) if word.lower() not in stoplist]
['foo', 'bar', 'doh']

还应同时检查
.isdigit（）
：

>>> text = 'This is foo, bar, 234, 567 and doh.'
>>> [word for word in word_tokenize(text) if word.lower() not in stoplist and not word.isdigit()]
['foo', 'bar', 'doh']

将所有这些放在一起，您的
nlkt（）
应该如下所示：

def preprocess(text):
    return [word for word in word_tokenize(text) if word.lower() not in stoplist and not word.isdigit()]

您可以使用：

“拉丁美洲和加勒比海地区”是一种地区主义，在印度文化圈之外并不被普遍理解。不清楚你在用
finallist
做什么。它真的需要包含所有的句子吗，或者你能一次处理一个句子吗？
nlkt
函数包含大量临时变量，因此它在处理一个调用时会消耗大约10倍的内存，但在完成调用时会被释放。finallist用于标记化，然后通过神经网络模型。。。。。删除lacs单词并相应编辑#准备标记器t=tokenizer（）t.fit_on_text（finallist）vocab_size=len（t.word_index）+1#整数编码文档编码(t.texts=t.text_to_sequences（finallist）padded_docs=pad_sequences（encoded(docs，maxlen=max_len，padding='post'））我现在不担心记忆力。我主要关心的是如何加快传递nlkt函数行的过程并加速循环。我的服务器目前几乎没有使用1%的CPU或内存，而通过for loopSee也非常有用，解释得很好。非常感谢。
def preprocess(text):
    return [word for word in word_tokenize(text) if word.lower() not in stoplist and not word.isdigit()]

data['Anylize_Text'].apply(preprocess)