这是我检查mystring
是否以某个字符串开头的方法:
>>> mystring.lower().startswith("he")
True
问题在于mystring
非常长(成千上万个字符),因此lower()
操作需要很长时间。
问题:有更有效率的方法吗?
我的失败尝试:
>>> import re;
>>> mystring.startswith("he", re.I)
False
这是我检查mystring
是否以某个字符串开头的方法:
>>> mystring.lower().startswith("he")
True
问题在于mystring
非常长(成千上万个字符),因此lower()
操作需要很长时间。
问题:有更有效率的方法吗?
我的失败尝试:
>>> import re;
>>> mystring.startswith("he", re.I)
False
您可以使用以下正则表达式:
In [33]: bool(re.match('he', 'Hello', re.I))
Out[33]: True
In [34]: bool(re.match('el', 'Hello', re.I))
Out[34]: False
对于一个包含2000个字符的字符串,这比lower()
方法快了约20倍:
In [38]: s = 'A' * 2000
In [39]: %timeit s.lower().startswith('he')
10000 loops, best of 3: 41.3 us per loop
In [40]: %timeit bool(re.match('el', s, re.I))
100000 loops, best of 3: 2.06 us per loop
如果您需要反复匹配相同的前缀,预编译正则表达式可以带来很大的性能提升:
In [41]: p = re.compile('he', re.I)
In [42]: %timeit p.match(s)
1000000 loops, best of 3: 351 ns per loop
对于较短的前缀,先将前缀从字符串中切片,然后再将其转换为小写形式,可能会更快:
In [43]: %timeit s[:2].lower() == 'he'
1000000 loops, best of 3: 287 ns per loop
当然,这些方法的相对时间取决于前缀的长度。在我的机器上,折点似乎是六个字符左右,这时预编译的正则表达式成为最快的方法。
在我的实验中,逐个检查每个字符甚至可能更快:
In [44]: %timeit (s[0] == 'h' or s[0] == 'H') and (s[1] == 'e' or s[1] == 'E')
1000000 loops, best of 3: 189 ns per loop
然而,这种方法仅适用于在编写代码时已知的前缀,并且不适用于较长的前缀。
re.compile()
的时间。 - Zaur Nasibov这个怎么样:
prefix = 'he'
if myVeryLongStr[:len(prefix)].lower() == prefix.lower()
另一个简单的解决方案是将元组传递给startswith()
,以匹配所有需要匹配的情况,例如.startswith(('case1', 'case2', ..))
。
例如:
>>> 'Hello'.startswith(('He', 'HE'))
True
>>> 'HEllo'.startswith(('He', 'HE'))
True
>>>
如果你考虑到ASCII范围外的任何内容,那么给出的答案都不正确。
例如,在大小写不敏感的比较中,如果你遵循Unicode的大小写映射规则,则应将ß
视为等于SS
。
为了获得正确的结果,最简单的解决方案是安装Python的regex模块,该模块遵循标准:
import re
import regex
# enable new improved engine instead of backwards compatible v0
regex.DEFAULT_VERSION = regex.VERSION1
print(re.match('ß', 'SS', re.IGNORECASE)) # none
print(regex.match('ß', 'SS', regex.IGNORECASE)) # matches
根据.lower()的性能,如果前缀足够小,多次检查相等可能会更快:
s = 'A' * 2000
prefix = 'he'
ch0 = s[0]
ch1 = s[1]
substr = ch0 == 'h' or ch0 == 'H' and ch1 == 'e' or ch1 == 'E'
时间控制(使用与NPE相同的字符串):
>>> timeit.timeit("ch0 = s[0]; ch1 = s[1]; ch0 == 'h' or ch0 == 'H' and ch1 == 'e' or ch1 == 'E'", "s = 'A' * 2000")
0.2509511683747405
= 0.25 us per loop
与现有方法相比:
>>> timeit.timeit("s.lower().startswith('he')", "s = 'A' * 2000", number=10000)
0.6162763703208611
= 61.63 us per loop
def startswith(a_source: str, a_prefix: str) -> bool:
source_prefix = a_source[:len(a_prefix)]
return source_prefix.casefold() == a_prefix.casefold()
import ctypes.util
libc_name = ctypes.util.find_library('msvcrt')
libc = ctypes.CDLL(libc_name)
libc._wcsicmp.argtypes = (ctypes.c_wchar_p, ctypes.c_wchar_p)
def startswith(a_source: str, a_prefix: str) -> bool:
source_prefix = a_source[:len(a_prefix)]
return libc._wcsicmp(source_prefix, a_prefix) == 0
编译后的re
解决方案是第三快的解决方案,包括编译成本。如果使用regex
模块进行完整的Unicode支持,如此答案所建议的那样,该解决方案甚至会更慢。每个连续的匹配的成本与每个ctypes调用的成本大致相同。
lower()
和casefold()
很昂贵,因为这些函数通过迭代源字符串中的每个字符(不考虑大小写)并相应地映射来创建新的Unicode字符串。 (请参见:内置函数str.lower()
如何实现?)在该循环中花费的时间随着每个字符的增加而增加,因此,如果您处理的是短前缀和长字符串,请仅对前缀调用这些函数。
另一个选项:
import re
o = re.search('(?i)^we', 'Wednesday')
print(o != None)