傳統的字符串列表替換字符串使用遍歷非常慢
比如下面這段代碼,如果處理幾十萬或上百萬的數據集時,會非常的慢,幾小時幾天都可能
import re
p = re.compile(u'['u'\U0001F300-\U0001F64F' u'\U0001F680-\U0001F6FF' u'\u2600-\u2B55 \U00010000-\U0010ffff]+')
# text = "超詳細修高鼻樑教程,點❤️收藏慢慢看#美妝 #使用一次你就喜歡"
# txt = re.sub(p,'',text) # 正則匹配,將表情符合替換爲空''
# print(txt)
bar = tqdm(enumerate(data['text']),total=len(data['text']))
for idx,text in bar:
data['text'][idx] = re.sub(p,'',text)
data
如何加速,使用異步攜程加速,同時創建多個攜程,使用多個攜程同時處理字符串,有個對比,66w的數據只需不到1分鐘即可處理完
import re import pandas as pd import asyncio async def replace_emoji(text): # 表情的Unicode編碼範圍 emoji_pattern = re.compile("[\U0001F600-\U0001F64F\U0001F300-\U0001F5FF\U0001F680-\U0001F6FF\U0001F1E0-\U0001F1FF]", flags=re.UNICODE) # 替換表情爲空 new_text = emoji_pattern.sub('', text) return new_text async def main(): # 讀取CSV文件 df = pd.read_csv('file.csv') # 創建一個事件循環 loop = asyncio.get_event_loop() # 異步替換所有文本中的表情 replaced_text = await asyncio.gather(*[loop.create_task(replace_emoji(text)) for text in df['text']]) # 將替換後的文本保存回CSV文件的text列 df['text'] = replaced_text df.to_csv('file.csv', index=False) # 運行主程序 asyncio.run(main())