[英]In R - fastest way pairwise comparing character strings on similarity
我正在寻找一种加快以下方法的方法。 任何指针都非常欢迎。 瓶颈在哪里?
说我有以下data.frame
:
df <- data.frame(names=c("A ADAM", "S BEAN", "A APPLE", "J BOND", "J BOND"),
v1=c("Test_a", "Test_b", "Test_a", "Test_b", "Test_b"),
v2=c("Test_c", "Test_c", "Test_d", "Test_d", "Test_d"))
我想比较df
中JaroWinkler相似度的每一对行。
在其他人的帮助下( 请参阅本文 ),我已经能够构造以下代码:
#columns to compare
testCols <- c("names", "v1", "v2")
#compare pairs
RowCompare= function(x){
comp <- NULL
pairs <- t(combn(nrow(x),2))
for(i in 1:nrow(pairs)){
row_a <- pairs[i,1]
row_b <- pairs[i,2]
a_tests <- x[row_a,testCols]
b_tests <- x[row_b,testCols]
comp <- rbind(comp, c(row_a, row_b, TestsCompare(a_tests, b_tests)))
}
colnames(comp) <- c("row_a","row_b","names_j","v1_j","v2_j")
return(comp)
}
#define TestsCompare
TestsCompare=function(x,y){
names_j <- stringdist(x$names, y$names, method = "jw")
v1_j <-stringdist(x$v1, y$v1, method = "jw")
v2_j <-stringdist(x$v2, y$v2, method = "jw")
c(names_j,v1_j, v2_j)
}
这将生成正确的输出:
output = as.data.frame(RowCompare(df))
> output
row_a row_b names_j v1_j v2_j
1 1 2 0.4444444 0.1111111 0.0000000
2 1 3 0.3571429 0.0000000 0.1111111
3 1 4 0.4444444 0.1111111 0.1111111
4 1 5 0.4444444 0.1111111 0.1111111
5 2 3 0.4603175 0.1111111 0.1111111
6 2 4 0.3333333 0.0000000 0.1111111
7 2 5 0.3333333 0.0000000 0.1111111
8 3 4 0.5634921 0.1111111 0.0000000
9 3 5 0.5634921 0.1111111 0.0000000
10 4 5 0.0000000 0.0000000 0.0000000
但是,我的实际data.frame有800万观察值,我进行了17次比较。 要运行此代码需要几天的时间...
我正在寻找加快此过程的方法:
如果遍历要检查的变量,则可以使用stringdist::stringdistmatrix
为每个变量创建距离矩阵。 使用lapply
或purrr::map
的形式将返回距离矩阵的列表(每列一个),您可以依次迭代到cal broom::tidy
,它将把它们转换为格式良好的data.frames。 如果使用purrr::map_df
并使用其.id
参数,结果将被强制转换为一个大的data.frame,并且每个列表元素的名称将作为新列添加,因此您可以使它们保持直线。 生成的data.frame将采用长格式,因此如果您希望它与上面的结果匹配,请使用tidyr::spread
重塑。
如注释中所述,如果要对不同的变量使用不同的方法,请与map2
或Map
并行进行迭代。
共,
library(tidyverse)
map2(df, c('soundex', 'jw', 'jw'), ~stringdist::stringdistmatrix(.x, method = .y)) %>%
map_df(broom::tidy, .id = 'var') %>%
spread(var, distance)
## item1 item2 names v1 v2
## 1 2 1 1 0.1111111 0.0000000
## 2 3 1 1 0.0000000 0.1111111
## 3 3 2 1 0.1111111 0.1111111
## 4 4 1 1 0.1111111 0.1111111
## 5 4 2 1 0.0000000 0.1111111
## 6 4 3 1 0.1111111 0.0000000
## 7 5 1 1 0.1111111 0.1111111
## 8 5 2 1 0.0000000 0.1111111
## 9 5 3 1 0.1111111 0.0000000
## 10 5 4 0 0.0000000 0.0000000
请注意,尽管select(5,2 choose(5, 2)
返回10个观测值,而select(8000000,2 choose(8000000, 2)
返回3.2e + 13(32 万亿 )个观测值,所以出于实际目的,即使它比现有代码(和stringdistmatrix
在可能的情况下进行一些并行化操作),除非您仅在子集上工作,否则数据将变得过大。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.