Python : 如何优化计算？

Question

我正在从语料库中进行一些文本挖掘，并且我有一个包含 3000 行的文本文件输出，如下所示：

dns 11 11 [2, 355, 706, 1063, 3139, 3219, 3471, 3472, 3473, 4384, 4444]

xhtml 8 11 [1651, 2208, 2815, 3487, 3517, 4480, 4481, 4504]

javascript 18 18 [49, 50, 175, 176, 355, 706, 1063, 1502, 1651, 2208, 2280, 2815, 3297, 4068, 4236, 4480, 4481, 4504]

有这个词，它出现的行数，总出现次数，以及这些行的n°。

我正在尝试计算卡方值，该文本文件是我下面代码的输入：

measure = nltk.collocations.BigramAssocMeasures()

dicto = {} 
for i in lines :
    tokens = nltk.wordpunct_tokenize(i)
    m = tokens[0]       #m is the word
    list_i = tokens[4:]
    list_i.pop()
    for x in list_i :
        if x ==',':
            ind = list_i.index(x)
            list_i.pop(ind)
    dicto[m]=list_i #for each word i create a dictionnary with the n° of lines

#for each word I calculate the Chi-squared with every other word 
#and my problem is starting right here i think
#The "for" loop and the z = .....


for word1 in dicto :
    x=dicto[word1]
    vector = []

    for word2 in dicto :    
        y=dicto[word2]
        z=[val for val in x if val in y]

        #Contingency Matrix
        m11 = cpt-(len(x)+len(y)-len(z))
        m12 = len(x)-len(z)
        m21 = len(y)-len(z)
        m22 = len(z)

        n_ii =m11
        n_ix =m11+m21
        n_xi =m11+m12
        n_xx =m11+m12+m21+m22 

        Chi_squared = measure.chi_sq(n_ii, (n_ix, n_xi), n_xx)

        #I compare with the minimum value to check independancy between words
        if Chi_squared >3.841 :
            vector.append([word1, word2 , round(Chi_square,3))

    #The correlations calculated
    #I sort my vector in a descending way
    final=sorted(vector, key=lambda vector: vector[2],reverse = True)

    print word1
    #I take the 4 best scores
    for i in final[:4]:
        print i,

我的问题是计算花费了太多时间（我说的是小时！！）有什么我可以改变的吗？我做了什么来改进我的代码？还有其他 Python 结构吗？有什么想法吗？

Answer 1

有一些加速的机会，但我首先关心的是 vector。它在哪里初始化？在发布的代码中，它获得 n^2 个条目并排序 n 次！这似乎是无意的。应该清零吗？ final 应该在循环之外吗？

final=sorted(vector, key=lambda vector: vector[2],reverse = True)

可以正常工作，但范围很难看，更好的是：

final=sorted(vector, key=lambda entry: entry[2], reverse=True)

一般来说，要解决计时问题，请考虑使用 profiler。

Answer 2

首先，如果每个单词都有唯一的行号，请使用集合而不是列表：查找集合交集比列表交集快得多（尤其是列表未排序时）。

其次，预先计算列表长度 - 现在您为每个内部循环步骤计算两次。

第三种 - 使用 numpy 进行此类计算。

Python : 如何优化计算？

Python : How to optimize calculations?

python

optimization

nlp

chi-squared