Google Ngram viewer是一個(gè)有趣和有用的工具，它使用谷歌從書(shū)本中掃描來(lái)的海量的數(shù)據(jù)寶藏，繪制出單詞使用量隨時(shí)間的變化。舉個(gè)例子，單詞Python(區(qū)分大小寫(xiě))：

這幅圖來(lái)自：books.google.com/ngrams…，描繪了單詞 ‘Python’ 的使用量隨時(shí)間的變化。

它是由谷歌的n-gram 數(shù)據(jù)集驅(qū)動(dòng)的，根據(jù)書(shū)本印刷的每一個(gè)年份，記錄了一個(gè)特定單詞或詞組在谷歌圖書(shū)的使用量。然而這并不完整（它并沒(méi)有包含每一本已經(jīng)發(fā)布的書(shū)?。?，數(shù)據(jù)集中有成千上百萬(wàn)的書(shū)，時(shí)間上涵蓋了從 16 世紀(jì)到 2008 年。數(shù)據(jù)集可以免費(fèi)從這里下載。

我決定使用 Python 和我新的數(shù)據(jù)加載庫(kù)PyTubes來(lái)看看重新生成上面的圖有多容易。

挑戰(zhàn)

1-gram 的數(shù)據(jù)集在硬盤(pán)上可以展開(kāi)成為 27 Gb 的數(shù)據(jù)，這在讀入 python 時(shí)是一個(gè)很大的數(shù)據(jù)量級(jí)。Python可以輕易地一次性地處理千兆的數(shù)據(jù)，但是當(dāng)數(shù)據(jù)是損壞的和已加工的，速度就會(huì)變慢而且內(nèi)存效率也會(huì)變低。

總的來(lái)說(shuō)，這 14 億條數(shù)據(jù)（1,430,727,243）分散在 38 個(gè)源文件中，一共有 2 千 4 百萬(wàn)個(gè)（24,359,460）單詞（和詞性標(biāo)注，見(jiàn)下方），計(jì)算自 1505 年至 2008 年。

當(dāng)處理 10 億行數(shù)據(jù)時(shí)，速度會(huì)很快變慢。并且原生 Python 并沒(méi)有處理這方面數(shù)據(jù)的優(yōu)化。幸運(yùn)的是，numpy真的很擅長(zhǎng)處理大體量數(shù)據(jù)。使用一些簡(jiǎn)單的技巧，我們可以使用 numpy 讓這個(gè)分析變得可行。

在 python/numpy 中處理字符串很復(fù)雜。字符串在 python 中的內(nèi)存開(kāi)銷是很顯著的，并且 numpy 只能夠處理長(zhǎng)度已知而且固定的字符串?；谶@種情況，大多數(shù)的單詞有不同的長(zhǎng)度，因此這并不理想。

Loading the data

下面所有的代碼/例子都是運(yùn)行在8 GB 內(nèi)存的 2016 年的 Macbook Pro。如果硬件或云實(shí)例有更好的 ram 配置，表現(xiàn)會(huì)更好。

1-gram 的數(shù)據(jù)是以 tab 鍵分割的形式儲(chǔ)存在文件中，看起來(lái)如下：

每一條數(shù)據(jù)包含下面幾個(gè)字段：

為了按照要求生成圖表，我們只需要知道這些信息，也就是：

通過(guò)提取這些信息，處理不同長(zhǎng)度的字符串?dāng)?shù)據(jù)的額外消耗被忽略掉了，但是我們?nèi)匀恍枰獙?duì)比不同字符串的數(shù)值來(lái)區(qū)分哪些行數(shù)據(jù)是有我們感興趣的字段的。這就是 pytubes 可以做的工作：

差不多 170 秒（3 分鐘）之后，one_grams是一個(gè) numpy 數(shù)組，里面包含差不多 14 億行數(shù)據(jù)，看起來(lái)像這樣（添加表頭部為了說(shuō)明）：

╒═══════════╤════════╤═════════╕

│ Is_Word │ Year │ Count │

╞═══════════╪════════╪═════════╡

│ 0 │ 1799 │ 2 │

├───────────┼────────┼─────────┤

│ 0 │ 1804 │ 1 │

├───────────┼────────┼─────────┤

│ 0 │ 1805 │ 1 │

├───────────┼────────┼─────────┤

│ 0 │ 1811 │ 1 │

├───────────┼────────┼─────────┤

│ 0 │ 1820 │ ... │

╘═══════════╧════════╧═════════╛

從這開(kāi)始，就只是一個(gè)用 numpy 方法來(lái)計(jì)算一些東西的問(wèn)題了：

每一年的單詞總使用量

谷歌展示了每一個(gè)單詞出現(xiàn)的百分比（某個(gè)單詞在這一年出現(xiàn)的次數(shù)/所有單詞在這一年出現(xiàn)的總數(shù)），這比僅僅計(jì)算原單詞更有用。為了計(jì)算這個(gè)百分比，我們需要知道單詞總量的數(shù)目是多少。

幸運(yùn)的是，numpy讓這個(gè)變得十分簡(jiǎn)單：

繪制出這個(gè)圖來(lái)展示谷歌每年收集了多少單詞：

很清楚的是在 1800 年之前，數(shù)據(jù)總量下降很迅速，因此這回曲解最終結(jié)果，并且會(huì)隱藏掉我們感興趣的模式。為了避免這個(gè)問(wèn)題，我們只導(dǎo)入 1800 年以后的數(shù)據(jù)：

這返回了 13 億行數(shù)據(jù)（1800 年以前只有 3.7% 的的占比）

Python 在每年的占比百分?jǐn)?shù)

獲得 python 在每年的占比百分?jǐn)?shù)現(xiàn)在就特別的簡(jiǎn)單了。

使用一個(gè)簡(jiǎn)單的技巧，創(chuàng)建基于年份的數(shù)組，2008 個(gè)元素長(zhǎng)度意味著每一年的索引等于年份的數(shù)字，因此，舉個(gè)例子，1995 就只是獲取 1995 年的元素的問(wèn)題了。

這都不值得使用 numpy 來(lái)操作：

繪制出 word_counts 的結(jié)果：

形狀看起來(lái)和谷歌的版本差不多

實(shí)際的占比百分?jǐn)?shù)并不匹配，我認(rèn)為是因?yàn)橄螺d的數(shù)據(jù)集，它包含的用詞方式不一樣（比如：Python_VERB）。這個(gè)數(shù)據(jù)集在 google page 中解釋的并不是很好，并且引起了幾個(gè)問(wèn)題：

• 人們是如何將 Python 當(dāng)做動(dòng)詞使用的？

• ‘Python’ 的計(jì)算總量是否包含 ‘Python_VERB’？等

幸運(yùn)的是，我們都清楚我使用的方法生成了一個(gè)與谷歌很像的圖標(biāo)，相關(guān)的趨勢(shì)都沒(méi)有被影響，因此對(duì)于這個(gè)探索，我并不打算嘗試去修復(fù)。

性能

谷歌生成圖片在 1 秒鐘左右，相較于這個(gè)腳本的 8 分鐘，這也是合理的。谷歌的單詞計(jì)算的后臺(tái)會(huì)從明顯的準(zhǔn)備好的數(shù)據(jù)集視圖中產(chǎn)生作用。

舉個(gè)例子，提前計(jì)算好前一年的單詞使用總量并且把它存在一個(gè)單獨(dú)的查找表會(huì)顯著的節(jié)省時(shí)間。同樣的，將單詞使用量保存在單獨(dú)的數(shù)據(jù)庫(kù)/文件中，然后建立第一列的索引，會(huì)消減掉幾乎所有的處理時(shí)間。

這次探索確實(shí)展示了，使用 numpy 和 初出茅廬的 pytubes 以及標(biāo)準(zhǔn)的商用硬件和 Python，在合理的時(shí)間內(nèi)從十億行數(shù)據(jù)的數(shù)據(jù)集中加載，處理和提取任意的統(tǒng)計(jì)信息是可行的，

語(yǔ)言戰(zhàn)爭(zhēng)

為了用一個(gè)稍微更復(fù)雜的例子來(lái)證明這個(gè)概念，我決定比較一下三個(gè)相關(guān)提及的編程語(yǔ)言：Python，Pascal,和Perl.

源數(shù)據(jù)比較嘈雜（它包含了所有使用過(guò)的英文單詞，不僅僅是編程語(yǔ)言的提及，并且，比如，python 也有非技術(shù)方面的含義?。?，為了這方面的調(diào)整， 我們做了兩個(gè)事情：

1. 只有首字母大寫(xiě)的名字形式能被匹配（Python，不是 python）

2. 每一個(gè)語(yǔ)言的提及總數(shù)已經(jīng)被轉(zhuǎn)換到了從 1800 年到 1960 年的百分比平均數(shù)，考慮到 Pascal 在 1970 年第一次被提及，這應(yīng)該有一個(gè)合理的基準(zhǔn)線。

結(jié)果:

對(duì)比谷歌 (沒(méi)有任何的基準(zhǔn)線調(diào)整):

運(yùn)行時(shí)間: 只有 10 分鐘多一點(diǎn)

以后的 PyTubes 提升

在這個(gè)階段，pytubes 只有單獨(dú)一個(gè)整數(shù)的概念，它是 64 比特的。這意味著 pytubes 生成的 numpy 數(shù)組對(duì)所有整數(shù)都使用 i8 dtypes。在某些地方（像 ngrams 數(shù)據(jù)），8 比特的整型就有點(diǎn)過(guò)度，并且浪費(fèi)內(nèi)存（總的 ndarray 有 38Gb，dtypes 可以輕易的減少其 60%）。我計(jì)劃增加一些等級(jí) 1，2 和 4 比特的整型支持(github.com/stestagg/py…)

更多的過(guò)濾邏輯 - Tube.skip_unless() 是一個(gè)比較簡(jiǎn)單的過(guò)濾行的方法，但是缺少組合條件（AND/OR/NOT）的能力。這可以在一些用例下更快地減少加載數(shù)據(jù)的體積。

更好的字符串匹配 —— 簡(jiǎn)單的測(cè)試如下：startswith, endswith, contains, 和 is_one_of 可以輕易的添加，來(lái)明顯地提升加載字符串?dāng)?shù)據(jù)是的有效性。