如何优化算法以更快地找到带有fuzzywuzzy的相似字符串？

Question

我在我的数据库中找到相似的食物名称时遇到问题（大约有 10 万个产品名称）。 我已经决定使用fuzz.token_sort_ratio从LIB fuzzywuzzy找到类似的产品名称。 这是它的工作原理：

s1 = 'Pepsi Light'
s2 = 'Light Pepsi'
fuzz.token_sort_ratio(s1, s2)

100

现在我想找到所有具有相似词的产品名称，其结果为fuzz.token_sort_ratio >= 90 这是我的代码：

#Find similar
start=datetime.now()
l = list(v_foods.name[0:20000])
i=0
df = pd.DataFrame(columns=['name1', 'name2', 'probab_same'])
for k in range(len(l)):
    for s in range(k+1,len(l)):
        probability = fuzz.token_sort_ratio(l[k], l[s])
        if  probability >= 90:
            df.loc[i] = [l[k], l[s], probability]
            i +=1
print('Spent time: {}' .format(datetime.now() - start))           
df.head(5)   

这需要很多时间。 我拥有的产品越多，花费的时间就越多

1. l = list(v_foods.name[0:5000])花费时间：~3 分钟
2. l = list(v_foods.name[0:10000])花费时间：~13 分钟
3. l = list(v_foods.name[0:20000])花费时间：~53 分钟

正如我上面所说，我的基地有 10 万个名字，它的工作速度非常慢。 有什么方法可以优化我的算法吗？

Answer 1

您的问题是您正在将每个名称与其他名称进行比较。 那是n^2比较，所以变慢了。 您需要做的只是比较有可能足够相似的名称对。

为了做得更好，我们需要知道图书馆实际上在做什么。 多亏了这个出色的答案，我们才能知道。 它在两个名称上调用fuzz._process_and_sort(name, True) ，然后查找 Levenshtein 比率。 也就是说，它计算从一个字符串到另一个字符串的最佳方式，然后计算100 * matched_chars / (matched_chars + edits) 。 为了使这个分数达到 90+，编辑次数最多为len(name) / 9 。 （该条件是必要但不充分的，如果这些编辑包括此字符串中的替换和删除，则会降低匹配字符的数量并降低比率。）

所以你可以很容易地规范化所有的名字。 问题是，对于给定的规范化名称，您能否找到所有其他规范化名称的最大编辑次数？

诀窍是首先将所有规范化名称放入Trie数据结构中。 然后我们可以并行遍历 Trie 来探索特定编辑距离内的所有分支。 这允许删除超出该距离的大组标准化名称，而无需单独检查它们。

这是 Trie 的 Python 实现，可让您找到这些标准化名称对。

import re

# Now we will build a trie.  Every node has a list of words, and a dictionary
# from the next letter farther in the trie.
class Trie:
    def __init__(self, path=''):
        self.strings = []
        self.dict = {}
        self.count_strings = 0
        self.path = path

    def add_string (self, string):
        trie = self

        for letter in string:
            trie.count_strings += 1
            if letter not in trie.dict:
                trie.dict[letter] = Trie(trie.path + letter)
            trie = trie.dict[letter]
        trie.count_strings += 1
        trie.strings.append(string)

    def __hash__ (self):
        return id(self)

    def __repr__ (self):
        answer = self.path + ":\n  count_strings:" + str(self.count_strings) + "\n  strings: " + str(self.strings) + "\n  dict:"
        def indent (string):
            p = re.compile("^(?!:$)", re.M)
            return p.sub("    ", string)
        for letter in sorted(self.dict.keys()):
            subtrie = self.dict[letter]
            answer = answer + indent("\n" + subtrie.__repr__())
        return answer

    def within_edits(self, string, max_edits):
        # This will be all trie/string pos pairs that we have seen
        found = set()
        # This will be all trie/string pos pairs that we start the next edit with
        start_at_edit = set()

        # At distance 0 we start with the base of the trie can match the start of the string.
        start_at_edit.add((self, 0))
        answers = []
        for edits in range(max_edits + 1): # 0..max_edits inclusive
            start_at_next_edit = set()
            todo = list(start_at_edit)
            for trie, pos in todo:
                if (trie, pos) not in found: # Have we processed this?
                    found.add((trie, pos))
                    if pos == len(string):
                        answers.extend(trie.strings) # ANSWERS FOUND HERE!!!
                        # We have to delete from the other string
                        for next_trie in trie.dict.values():
                            start_at_next_edit.add((next_trie, pos))
                    else:
                        # This string could have an insertion
                        start_at_next_edit.add((trie, pos+1))
                        for letter, next_trie in trie.dict.items():
                            # We could have had a a deletion in this string
                            start_at_next_edit.add((next_trie, pos))
                            if letter == string[pos]:
                                todo.append((next_trie, pos+1)) # we matched farther
                            else:
                                # Could have been a substitution
                                start_at_next_edit.add((next_trie, pos+1))
            start_at_edit = start_at_next_edit
        return answers

# Sample useage
trie = Trie()
trie.add_string('foo')
trie.add_string('bar')
trie.add_string('baz')
print(trie.within_edits('ba', 1))

Answer 2

正如其他人指出的那样 FuzzyWuzzy 使用 Levenshtein 距离，即 O(N^2)。 但是，在您的代码中，有很多可以优化以大大改善运行时的内容。 这不会像 btilly 的 trie 实现一样快，但您将保持类似的行为（例如预先对单词进行排序）

1. 使用RapidFuzz而不是 FuzzyWuzzy（我是作者）。 它实现了相同的算法，但速度要快得多。

2. 您当前在每次调用 fuzz.token_sort_ratio 时预处理字符串，这可以预先完成一次。

3. 您可以将 score_cutoff 传递给 Rapidfuzz，因此当它知道无法达到分数时，它可以以 0 的分数提前退出。

以下实现在我的机器上大约需要 47 秒，而您当前的实现运行大约 7 分钟。

from rapidfuzz import fuzz, utils
import random
import string
from datetime import datetime
import pandas as pd

random.seed(18)

l = [''.join(random.choice(string.ascii_letters + string.digits + string.whitespace)
       for _ in range(random.randint(10, 20))
    )
    for s in range(10000)
]

start=datetime.now()
processed=[utils.default_process(name) for name in l]
i=0
res = []

for k in range(len(l)):
    for s in range(k+1,len(l)):
        probability = fuzz.token_sort_ratio(
            processed[k], processed[s], processor=False, score_cutoff=90)
        if  probability:
            res.append([l[k], l[s], probability])
            i +=1

df = pd.DataFrame(res, columns=['name1', 'name2', 'probab_same'])

print('Spent time: {}' .format(datetime.now() - start))           
print(df.head(5))