有效檢查字符串是否包含python中的數字

Question

我有大量 (GB) 的文本要逐句處理。 在每個句子中，我都要對數字執行昂貴的操作，所以我檢查這個句子是否至少包含一個數字。 我使用不同的方法完成了這項檢查，並使用timeit測量了這些解決方案。

s = 'abcdefghijklmnopqrstuvwxyzabcdefghijklmnopqrstuvwxyz' # example

• any(c.isdigit() for c in s) 3.61 µs

• re.search('\d', s) 402 ns

• d = re.compile('\d') d.search(s) 126 ns

• '0' in s or '1' in s or '2' in s or '3' in s or '4' in s or '5' in s or '6' in s or '7' in s or '8' in s or '9' in s 60ns

最后一種方法是最快的，但它很丑，可能比可能的慢 10 倍。

當然，我可以用 cython 重寫它，但這似乎有點矯枉過正。

有更好的純python解決方案嗎？ 特別是，我想知道為什么您可以將str.startswith()和str.endswith()與元組參數一起使用，但使用in運算符似乎不可能。

Answer 1

實際性能可能會因您的平台和 python 版本而異，但根據我的設置（python 3.9.5 / Ubuntu），事實證明re.match比re.search快得多，並且優於 long in series 版本。 此外，使用[0-9]而不是\d編譯正則表達式提供了一些改進。

import re
from timeit import timeit

n = 10_000_000
s = 'abcdefghijklmnopqrstuvwxyzabcdefghijklmnopqrstuvwxyz'

# reference
timeit(lambda: '0' in s or '1' in s or '2' in s or '3' in s or '4' in s or '5' in s or '6' in s or '7' in s or '8' in s or '9' in s, number=n)
# 2.1005349759998353

# re.search with \d, slower
re.compile('\d')
timeit(lambda: d.search(s), number=n)
# 2.9816031390000717

# re.search with [0-9], better but still slower then reference
d = re.compile('[0-9]')
timeit(lambda: d.search(s), number=n)
# 2.640713582999524

# re.match with [0-9], faster than reference
d = re.compile('[0-9]')
timeit(lambda: d.match(s), number=n)
# 1.5671786130005785

因此，在我的機器上，將re.match與已編譯的[0-9]模式一起使用比鏈接or ... in快約 25%。 它看起來也更好。