1、准備flashtext環境
2、添加關鍵詞
3、提取關鍵詞
4、替換關鍵詞
5、獲取所有關鍵詞
6、批量的添加關鍵詞
7、批量刪除關鍵詞
8、執行效率對比
在平常的一些的小規模的數據的過濾、清洗過程中使用最多的就是正則表達式，但是隨著數據規模的增大，正則表達式就顯得有些心有余力不足了。
正則表達式在一個 10k 的詞庫中查找 15k 個關鍵詞的時間差不多是 0.165 秒。但是對於 Flashtext 而言只需要 0.002 秒。因此，在這個問題上 Flashtext的速度大約比正則表達式快 82 倍。
從上面的示例圖的性能對比中，可以發現隨著我們需要處理的字符越來越多，正則表達式的處理速度幾乎都是線性增加的。然而，Flashtext 幾乎是一個常量。
1、准備flashtext環境通過pip的方式來安裝flashtext，或是其他的方式也是可以的，這裡默認使用的是清華大學的鏡像站。
pip install flashtext -i https://pypi.tuna.tsinghua.edu.cn/simple在准備好flashtext環境以後，來看一下flashtext重要的使用過程，幫助我們能更好的完成數據清洗操作。
2、添加關鍵詞這裡添加關鍵詞時是通過單個關鍵詞的來添加到關鍵詞詞庫中，使用add_keyword函數來添加。第一次參數表示需要添加的關鍵詞，第二個參數則表示為第一個關鍵詞的別名，如果關鍵詞被找到了則顯示為別名的形式，若是沒有使用第二個參數作為別名則還是顯示原有的名稱。
from flashtext import KeywordProcessor# 初始化關鍵詞庫處理器processor = KeywordProcessor()# 常規方式添加關鍵詞processor.add_keyword('Python')# 別名方式添加關鍵詞processor.add_keyword('Scala', 'Java')這樣分別使用兩種方式已經將需要的關鍵詞添加到詞庫處理器中了。
3、提取關鍵詞通過上一步添加關鍵詞，現在詞庫處理器中已經存在有關鍵詞的信息了，再使用extract_keywords將關鍵詞提取出來即可。
# 在一個字符串中提取出關鍵詞信息found = processor.extract_keywords('I like Python and Scala.')# 結果print(found)# ['Python', 'Java']結果出來了，跟我們預想的是一樣的，並Scala也顯示為了Java。
4、替換關鍵詞替換關鍵詞使用的是replace_keywords函數，前提是詞庫中擁有別名的詞才能被替換，就像上面的Scala被顯示成了的Java一樣。
替換一個字符串中的Scala關鍵詞，由於Scala對應的別名是Java，所以一個字符串中的Scala應該被替換為Java。
replaced = processor.replace_keywords('I like Scala.')# 結果print(replaced)# I like Java.# Scala 果真就被替換為了Java。5、獲取所有關鍵詞有些時候，在KeywordProcessor詞庫處理器中添加了哪些關鍵詞可能自己都記不清楚了，這個時候可以使用get_all_keywords函數來獲取當前的所有關鍵詞。
all_keywords = processor.get_all_keywords()# 結果print(all_keywords)# {'python': 'Python', 'scala': 'Java'}6、批量的添加關鍵詞當關鍵詞庫需要更多的關鍵詞的時候，可以通過列表或是字典的方式來進行批量的添加。對應的函數分別是add_keywords_from_list、add_keywords_from_dict函數。
# 初始化一個字典通過用來做批量添加dict_ = { 'java': ['java_ee', 'java_se', 'java_me'], 'python': ['pandas', 'all']}# 通過字典的方式來批量添加關鍵詞processor.add_keywords_from_dict(dict_)# 從批量添加的關鍵詞中匹配關鍵詞result = processor.extract_keywords('looking for java_ee and pandas.')# 結果print(result)# ['java', 'python']# 通過列表的方式批量添加關鍵詞processor.add_keywords_from_list(['scala', 'python', 'scala', 'go'])# 通過get_all_keywords查看一下所有關鍵詞all_keywords = processor.get_all_keywords()# 結果print(all_keywords)# {'python': 'python', 'pandas': 'python', 'scala': 'scala', 'java_ee': 'java', 'java_se': 'java', 'java_me': 'java', 'all': 'python', 'go': 'go'}發現所有的關鍵詞已經添加到詞庫處理器中，並且重復的不會再次添加。
7、批量刪除關鍵詞批量刪除詞庫處理器中的關鍵詞同樣是有兩種方式，一個是列表、另一個是字典。對應的函數分別是remove_keywords_from_list、remove_keywords_from_dict函數。
# 批量移除列表中的關鍵詞processor.remove_keywords_from_list(['python','java_ee','java_me'])# 批量移除字典中的關鍵詞processor.remove_keywords_from_dict({'python': ['pandas','all']})# 通過get_all_keywords查看一下所有關鍵詞all_keywords = processor.get_all_keywords()# 結果print(all_keywords)# {'scala': 'scala', 'java_se': 'java', 'go': 'go'}發現需要移除的關鍵詞已經被全部移除了。
8、執行效率對比為了更可觀的展示效果，找了兩個flashtext在搜索和替換關鍵詞過程中的效率對比圖可以一目了然。
flashtext、正則表達式搜索效率對比
flashtext、正則表達式搜索替換對比
以上就是詳解Python中的數據清洗工具flashtext的詳細內容，更多關於Python數據清洗的資料請關注軟件開發網其它相關文章！
