在R中-最快的成对比较字符串相似性的方法

Question

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：

• 我应该使用矩阵而不是data.frames吗？
• 如何并行化此过程？
• 向量化？

Answer 1

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。