循环神经网络的数据集处理

本文以time Machine数据集为例，使用mxnet框架。

引入库

import collections
import re
from d2l import mxnet as d2l

读取数据集

使用read_time_machine函数，不区分大小写（全部转化为小写），去除标点符号，将每一行取出使用列表生成器构成列表，每个元素为一行

#@save
d2l.DATA_HUB['time_machine'] = (d2l.DATA_URL + 'timemachine.txt',
                                '090b5e7e70c295757f55df93cb0a180b9691891a')

def read_time_machine():  #@save
    """将时间机器数据集加载到文本行的列表中"""
    with open(d2l.download('time_machine'), 'r') as f:
        lines = f.readlines()
    return [re.sub('[^A-Za-z]+', ' ', line).strip().lower() for line in lines]

lines = read_time_machine()
print(f'# 文本总行数: {len(lines)}')
print(lines[0])
print(lines[10])

输出结果：

# 文本总行数: 3221
the time machine by h g wells
twinkled and his usually pale face was flushed and animated the

词元化

tokenize()函数做分割，此处token的值用于区别line是字符串形式分割还是字符形式分割。

默认以字符串（单词）分割。

def tokenize(lines, token='word'):  #@save
    """将文本行拆分为单词或字符词元"""
    if token == 'word':
        return [line.split() for line in lines]
    elif token == 'char':
        return [list(line) for line in lines]
    else:
        print('错误：未知词元类型：' + token)

tokens = tokenize(lines)
for i in range(11):
    print(tokens[i])

输出结果：

['the', 'time', 'machine', 'by', 'h', 'g', 'wells']
[]
[]
[]
[]
['i']
[]
[]
['the', 'time', 'traveller', 'for', 'so', 'it', 'will', 'be', 'convenient', 'to', 'speak', 'of', 'him']
['was', 'expounding', 'a', 'recondite', 'matter', 'to', 'us', 'his', 'grey', 'eyes', 'shone', 'and']
['twinkled', 'and', 'his', 'usually', 'pale', 'face', 'was', 'flushed', 'and', 'animated', 'the']

 构建词表

基本说明

• tokens为输入数组，min_freq表示保留的最小频率，默认为0，即保留所有出现的词元，reserved_tokens为默认保留的词元。
• collection.Counter()为python标准类库的方法，其返回值为一个字典，每个元素由内容和出现频率构成。
• idx_to_token为数组，第一个元素为未知词元，其容纳所有词元，数组索引为其索引。
• token_to_id为字典，第一个元素为未知词元及其对应数量，其格式为(词元，频率)。
• for-each-loop遍历所有词元，将其添加到idx_to_token和token_to_idx中。

其他函数说明

__getitem__为根据词元找出id的方法，调用for-each loop，当传入为列表或元组（即多个词元）时，将其内部每个词元分割获得id，传入为单个词元时，转化词元为id。

 注意：存储的id不是词元出现的频率

class Vocab:  #@save
    """文本词表"""
    def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
        if tokens is None:
            tokens = []
        if reserved_tokens is None:
            reserved_tokens = []
        # 按出现频率排序
        counter = count_corpus(tokens)
        self._token_freqs = sorted(counter.items(), key=lambda x: x[1],
                                   reverse=True)
        # 未知词元的索引为0
        self.idx_to_token = ['<unk>'] + reserved_tokens
        self.token_to_idx = {token: idx
                             for idx, token in enumerate(self.idx_to_token)}
        for token, freq in self._token_freqs:
            if freq < min_freq:
                break
            if token not in self.token_to_idx:
                self.idx_to_token.append(token)
                self.token_to_idx[token] = len(self.idx_to_token) - 1

    def __len__(self):
        return len(self.idx_to_token)

    def __getitem__(self, tokens):
        if not isinstance(tokens, (list, tuple)):
            return self.token_to_idx.get(tokens, self.unk)
        return [self.__getitem__(token) for token in tokens]

    def to_tokens(self, indices):
        if not isinstance(indices, (list, tuple)):
            return self.idx_to_token[indices]
        return [self.idx_to_token[index] for index in indices]

    @property
    def unk(self):  # 未知词元的索引为0
        return 0

    @property
    def token_freqs(self):
        return self._token_freqs

def count_corpus(tokens):  #@save
    """统计词元的频率"""
    # 这里的tokens是1D列表或2D列表
    if len(tokens) == 0 or isinstance(tokens[0], list):
        # 将词元列表展平成一个列表
        tokens = [token for line in tokens for token in line]
    return collections.Counter(tokens)

 看一下token_to_id（也就是存储的字典）的输出，发现存储的id确实是在数组中的位置（序号）。

vocab = Vocab(tokens)
print(list(vocab.token_to_idx.items())[:10])

[('<unk>', 0), ('the', 1), ('i', 2), ('and', 3), ('of', 4), ('a', 5), ('to', 6), ('was', 7), ('in', 8), ('that', 9)]

 功能优化说明

我们已经注意到，在之前的实现中，除了对word进行分割之外，还有对char进行分割，做法上没有太大区别。在使用中文语料库中，可以直接使用字来进行分割，我们在英语中常常采取按char类型词元化和构建词表。

整合所有功能

我们将所有功能集中打包到load_corpus_time_machine()中，并对其进行测试。

需要注意的是，corpus为语料库，machine learning总词数为30000左右，vocab是词表内容数。

def load_corpus_time_machine(max_tokens=-1):  #@save
    """返回时光机器数据集的词元索引列表和词表"""
    lines = read_time_machine()
    tokens = tokenize(lines, 'char')
    vocab = Vocab(tokens)
    # 因为时光机器数据集中的每个文本行不一定是一个句子或一个段落，
    # 所以将所有文本行展平到一个列表中
    corpus = [vocab[token] for line in tokens for token in line]
    if max_tokens > 0:
        corpus = corpus[:max_tokens]
    return corpus, vocab

测试代码：

corpus, vocab = load_corpus_time_machine()
len(corpus), len(vocab)

输出结果如下：（十七万为总字母数，28为26个字母加上添加的其他词元）

(170580, 28)

 思考

1.vocab词表为28，究竟出现的是哪些词元呢？

2.为什么采用char类型来分割呢？