winkler 的 Python 性能改进请求

Question

我是 python n00b，我想要一些关于如何改进算法以提高此方法计算两个名称的 Jaro-Winkler 距离的性能的建议。

def winklerCompareP(str1, str2):
"""Return approximate string comparator measure (between 0.0 and 1.0)

USAGE:
  score = winkler(str1, str2)

ARGUMENTS:
  str1  The first string
  str2  The second string

DESCRIPTION:
  As described in 'An Application of the Fellegi-Sunter Model of
  Record Linkage to the 1990 U.S. Decennial Census' by William E. Winkler
  and Yves Thibaudeau.

  Based on the 'jaro' string comparator, but modifies it according to whether
  the first few characters are the same or not.
"""

# Quick check if the strings are the same - - - - - - - - - - - - - - - - - -
#
jaro_winkler_marker_char = chr(1)
if (str1 == str2):
    return 1.0

len1 = len(str1)
len2 = len(str2)
halflen = max(len1,len2) / 2 - 1

ass1  = ''  # Characters assigned in str1
ass2  = '' # Characters assigned in str2
#ass1 = ''
#ass2 = ''
workstr1 = str1
workstr2 = str2

common1 = 0    # Number of common characters
common2 = 0

#print "'len1', str1[i], start, end, index, ass1, workstr2, common1"
# Analyse the first string    - - - - - - - - - - - - - - - - - - - - - - - - -
#
for i in range(len1):
    start = max(0,i-halflen)
    end   = min(i+halflen+1,len2)
    index = workstr2.find(str1[i],start,end)
    #print 'len1', str1[i], start, end, index, ass1, workstr2, common1
    if (index > -1):    # Found common character
        common1 += 1
        #ass1 += str1[i]
        ass1 = ass1 + str1[i]
        workstr2 = workstr2[:index]+jaro_winkler_marker_char+workstr2[index+1:]
#print "str1 analyse result", ass1, common1

#print "str1 analyse result", ass1, common1
# Analyse the second string - - - - - - - - - - - - - - - - - - - - - - - - -
#
for i in range(len2):
    start = max(0,i-halflen)
    end   = min(i+halflen+1,len1)
    index = workstr1.find(str2[i],start,end)
    #print 'len2', str2[i], start, end, index, ass1, workstr1, common2
    if (index > -1):    # Found common character
        common2 += 1
        #ass2 += str2[i]
        ass2 = ass2 + str2[i]
        workstr1 = workstr1[:index]+jaro_winkler_marker_char+workstr1[index+1:]

if (common1 != common2):
    print('Winkler: Wrong common values for strings "%s" and "%s"' % \
                (str1, str2) + ', common1: %i, common2: %i' % (common1, common2) + \
                ', common should be the same.')
    common1 = float(common1+common2) / 2.0    ##### This is just a fix #####

if (common1 == 0):
    return 0.0

# Compute number of transpositions    - - - - - - - - - - - - - - - - - - - - -
#
transposition = 0
for i in range(len(ass1)):
    if (ass1[i] != ass2[i]):
        transposition += 1
transposition = transposition / 2.0

# Now compute how many characters are common at beginning - - - - - - - - - -
#
minlen = min(len1,len2)
for same in range(minlen+1):
    if (str1[:same] != str2[:same]):
        break
same -= 1
if (same > 4):
    same = 4

common1 = float(common1)
w = 1./3.*(common1 / float(len1) + common1 / float(len2) + (common1-transposition) / common1)

wn = w + same*0.1 * (1.0 - w)
return wn

示例输出

ZIMMERMANN  ARMIENTO    0.814583333
ZIMMERMANN  ZIMMERMANN  1
ZIMMERMANN  CANNONS         0.766666667
CANNONS AKKER           0.8
CANNONS ALDERSON    0.845833333
CANNONS ALLANBY         0.833333333

Answer 1

我更关注优化以从 Python 中获得更多，而不是优化算法，因为我认为这里没有太多的算法改进。以下是我提出的一些 Python 优化。

(1)。由于您使用的似乎是 Python 2.x，因此请将所有 range() 更改为 xrange()。 range() 在迭代之前生成完整的数字列表，而 xrange 根据需要生成它们。

(2)。对最大值和最小值进行以下替换:

start = max(0,i-halflen)

与

start = i - halflen if i > halflen else 0

和

end = min(i+halflen+1,len2)

与

end = i+halflen+1 if i+halflen+1 < len2 else len2

在第一个循环中和第二个循环中的类似循环。还有另一个 min() 更远的地方和一个 max() 靠近函数的开头所以对那些做同样的事情。替换 min() 和 max() 确实有助于减少时间。这些功能很方便，但比我用它们替换的方法成本更高。

(3)。使用 common1 而不是 len(ass1)。您已经跟踪了 common1 中 ass1 的长度，所以让我们使用它而不是调用一个代价高昂的函数来再次找到它。

(4)。替换以下代码:

minlen = min(len1,len2)
for same in xrange(minlen+1):
    if (str1[:same] != str2[:same]):
        break
same -= 1

与

for same in xrange(minlen):
    if str1[same] != str2[same]:
        break

这样做的原因主要是 str1[:same] 每次通过循环都会创建一个新字符串，您将检查已经检查过的部分。此外，如果不需要，则无需检查 '' != '' 并在之后递减 same。

(5)。使用 psyco ，一种即时编译器。下载并安装后，只需添加行

import psyco
psyco.full()

在文件的顶部使用它。除非您进行了我提到的其他更改，否则不要使用 psyco。出于某种原因，当我在您的原始代码上运行它时，它实际上减慢了速度。

使用 timeit，我发现前 4 次更改的时间减少了大约 20%。但是，当我添加 psyco 以及这些更改时，代码比原来的代码快大约 3 到 4 倍。

如果你想要更快的速度

剩余时间的相当一部分是在字符串的 find() 方法中。我决定尝试用我自己的替换它。对于第一个循环，我替换了

index = workstr2.find(str1[i],start,end)

与

index = -1
for j in xrange(start,end):
    if workstr2[j] == str1[i]:
        index = j
        break

和第二个循环的类似形式。如果没有 psyco，这会减慢代码速度，但使用 psyco，它会大大加快速度。有了这个最后的改变，代码比原来的快了大约 8 到 9 倍。

如果这还不够快

那么您可能应该转而制作 C 模块。

祝你好运!