R语言：通过jiebaR提升正则匹配效率
问题提出
大家会不会经常遇到这样的情况，需要在一系列的目标文本中，匹配搜索一系列特征文本，且这些特征文本可能在该某一目标文本中重复出现。例如如下数据集：
其中数据集news为上市公司新闻数据，变量NewsID为新闻的id编号；FullDeclareDate为新闻公布时间；TitleKeyWords为新闻的标题和关键词。
news[1:5]NewsID | FullDeclareDate | TitleKeyWords |
|---|---|---|
57285603 | 2/3/2010 12:00 | 富机达能正式挂牌 |
57463469 | 1/3/2010 15:22 | 新能源过剩事出有因 多晶硅风电获准松绑新能源,多晶硅,风电,松绑, |
57463473 | 1/3/2010 15:19 | 近9年元旦后首个交易日沪指走势一览 虎年怎开盘元旦,交易日,沪指,走势, |
57463477 | 1/3/2010 15:13 | 中央将下发2010年一号文件 出台新强农惠农政策一号文件,惠农新政,农民,收入,胡锦涛, |
57463479 | 1/3/2010 16:06 | 2010年首份年报12日亮相 1月共20家公司公布年报年报,上市公司,国海证券, |
数据集id为上市公司股票代码及名称，stkcd为上市公司股票代码，name为上市公司股票名称。
注：此处为了处理的方便，已经将上市公司中带有字母的部分进行了去除，例如带有字母A的万科A，以及带有ST字样的股票代码。 ”
id[1:5]stkcd | name |
|---|---|
000001 | 平安银行 |
000002 | 万科 |
000004 | 国农科技 |
000005 | 世纪星源 |
000006 | 深振业 |
如果需要对上市公司相关新闻进行研究，首先将相关上市公司的相关新闻进行筛选和标记。在本例中转化为代码需求，则需要在news的新闻标题和关键词中寻找是否存在某一个上市公司的名称，即需要将数据集id中的name字段匹配到数据集news中的TitleKeyWords字段中，看是否有一个或多个上市公司名称存在新闻标题中。
具体方法
1.正则表达式
对于文本的分析首先会想到的是正则表达式，利用正则表达式进行处理的主要思想在于：
通过构建正则标准，对每一个特征文本在每一个目标文本中的存在性进行遍历。 ”
对如下代码进行解读可以发现，利用正则表达式进行处理有三个关键点：
- 需要将特征文本进行进一步处理。由于需要进行每一个上市公司的相关名称的遍历判断，则需要对每一个名称进行“or”操作。
paste(id[["name"]], collapse = "|")代码，将上市公司名称的向量进行了整合，并在每一个名称用符号|进行连接，从而进行补集操作，让至少对应一个上市公司名称的文本能够提取。 - 需要用到
stringr包中str_extract_all这样一个函数。相比于普通的str_extract函数，在进行字符串提取时，不会仅仅只匹配第一个相关的项目，而是会把判断条件中的所有的潜在选项都进行匹配，从而对每一个目标文本生成一个相应的提取向量，最后以list形式输出。 - 需要对每一条目标文本生成的提取向量进行展开。在运用完
str_extract_all函数之后，需要对生成的list，按照NewsID变量进行展开，故而在之后用到%>% unlist()和by = .(NewsID)。
library(stringr)
news_regex <- news[, .(name = str_extract_all(TitleKeyWords, paste(id[["name"]], collapse = "|"))%>% unlist()), by = .(NewsID)
][order(NewsID), .SD]
news_regex[1:5]NewsID | name |
|---|---|
57463479 | 国海证券 |
57463969 | 酒鬼酒 |
57463973 | 岳阳兴长 |
57463975 | 华闻传媒 |
57463981 | 广东鸿图 |
2. 分词包构造词典
利用分词包jiebaR进行分词处理的思想，主要在于：
将上市公司的名称当作一个新加入的词典，加入分词规则中，对目标文本整体进行分词，而后筛选除符合标准的分词结果。 ”
对如下代码进行解读可以发现三个关键点：
- 需要将特征文本添加为词典中的词。为了将上市公司名称添加至词典中，首先需要添加一个分词的引擎，运用
worker函数添加一个引擎命名为cutter，而后用new_user_word()函数将id[["name"]]添加到分词引擎cutter中。 - 需要利用分词函数进行分词。利用分词函数
segment，导入分词引擎cutter，对TitleKeyWords进行分词。 - 需要将原有的特征文本与分词后的目标文本文件进行匹配。利用data.table包中的表合并语法进行操作，最后没有匹配的项目不显示
nomatch = 0。
library(jiebaR)
cutter <- worker()
new_user_word(cutter, id[["name"]])
news_dict <- id[, .SD, .SDcols = c("name")
][news[, .(name = segment(TitleKeyWords, cutter)), by = .(NewsID)
], on = .(name), nomatch = 0
][order(NewsID), unique(.SD)]
news_dict[1:5]TRUE
name | NewsID |
|---|---|
国海证券 | 57463479 |
酒鬼酒 | 57463969 |
岳阳兴长 | 57463973 |
华闻传媒 | 57463975 |
广东鸿图 | 57463981 |
效率对比
利用正则表达式二者之间是否存在一定的差异，下面分别进行运行时间的测度。
100条记录
# 正则法
system.time(
news_regex <- news[1:100, .(name = str_extract_all(TitleKeyWords, paste(id[["name"]], collapse = "|"))%>% unlist()), by = .(NewsID)
][order(NewsID), .SD]
) user system elapsed
0.58 0.00 0.58
# 分词法
system.time(
news_dict <- id[, .SD, .SDcols = c("name")
][news[1:100, .(name = segment(TitleKeyWords, cutter)), by = .(NewsID)
], on = .(name), nomatch = 0
][order(NewsID), unique(.SD)]
) user system elapsed
0.08 0.03 0.11
1000条记录
# 正则法
system.time(
news_regex <- news[1:1000, .(name = str_extract_all(TitleKeyWords, paste(id[["name"]], collapse = "|"))%>% unlist()), by = .(NewsID)
][order(NewsID), .SD]
) user system elapsed
5.50 0.02 5.68
# 分词法
system.time(
news_dict <- id[, .SD, .SDcols = c("name")
][news[1:1000, .(name = segment(TitleKeyWords, cutter)), by = .(NewsID)
], on = .(name), nomatch = 0
][order(NewsID), unique(.SD)]
) user system elapsed
0.30 0.14 0.50
10000条记录
# 正则法
system.time(
news_regex <- news[1:10000, .(name = str_extract_all(TitleKeyWords, paste(id[["name"]], collapse = "|"))%>% unlist()), by = .(NewsID)
][order(NewsID), .SD]
) user system elapsed
61.44 0.14 68.87
# 分词法
system.time(
news_dict <- id[, .SD, .SDcols = c("name")
][news[1:10000, .(name = segment(TitleKeyWords, cutter)), by = .(NewsID)
], on = .(name), nomatch = 0
][order(NewsID), unique(.SD)]
) user system elapsed
2.40 2.13 4.84
通过对比上述运行时间可以发现，随着样本量的增大，利用分词包进行特征文本匹配的效率的优势逐渐凸显，更加建议在进行多特征文本匹配时，利用分词法进行操作！！ ”
腾讯云开发者
