import collections
import re
from d2l import torch as d2l
#@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])
output:
Downloading ..\data\timemachine.txt from http://d2l-data.s3-accelerate.amazonaws.com/timemachine.txt...
# 文本总行数: 3221
the time machine by h g wells
twinkled and his usually pale face was flushed and animated the
python语法函数官方文档:
10. 完整的语法规范 — Python 3.8.18 文档
#将文本行列表lines作为输入,列表的每个元素是一个文本序列。
#每个文本序列被拆分为一个词元列表。
#所以函数将会返回一个二重的list,词元是list的基本单位。
def tokenize(lines,token='word'):
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)
print(tokens[i])
#一个单词为一个词元
output:
['the', 'time', 'machine', 'by', 'h', 'g', 'wells']
tokens=tokenize(lines,token='char')
print(tokens[0])
#一个字符为一个词元
output:
['t', 'h', 'e', ' ', 't', 'i', 'm', 'e', ' ', 'm', 'a', 'c', 'h', 'i', 'n', 'e', ' ', 'b', 'y', ' ', 'h', ' ', 'g', ' ', 'w', 'e', 'l', 'l', 's']
str.split(sep=None,maxsplit=-1):
sep作为分隔字符串,maxsplit为最大拆分次数。
当不指定sep和maxsplit时,默认(sep=None,maxsplit=-1)连续空格被视为分隔符,拆分次数无限制,进行所有可能的拆分。
当指定了sep时,连续的分隔符不会被视为一个分隔符组合在一起,而是被视为分隔空字符。
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)
#返回tokens的词表索引,若tokens为iterable则返回一个索引列表。
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]
#dict.get(key[,default]):根据key返回值,若找不到key则返回默认值,
#若没有指定默认值,则默认返回None。
#根据indices返回token
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)
collections.Counter([iterable or mapping]):
一个counter是一个dict的子类,用于计数可哈希对象。返回一个(元素,出现次数)对的counter对象。在这里作为一个计数器计算词元出现的次数。counter.items()
sorted
(iterable, *, key=None, reverse=False):根据iterable中的项返回一个新的已排序列表。
key:指定带有单个参数的函数,用于从iterable中提取用于比较的项。默认值为None,直接比较元素。
reverse:为一个布尔值,如果设为True,则每个列表元素将按反向顺序比较进行排序。(False时按从小到大排序,True时从大到小排序)
l=['a','a','a','b','b','c']
c=collections.Counter(l)
for l in c.items():
print(type(l))
print(l[1])
l_freq_f=sorted(c.items(),key=lambda x:x[1],reverse=False)
l_freq_t=sorted(c.items(),key=lambda x:x[1],reverse=True)
print('reverse=False:',l_freq_f)
print('reverse=True:',l_freq_t)
output:
<class 'tuple'>
3
<class 'tuple'>
2
<class 'tuple'>
1
reverse=False: [('c', 1), ('b', 2), ('a', 3)]
reverse=True: [('a', 3), ('b', 2), ('c', 1)]
def load_corpus_time_machine(max_tokens=-1):
lines=read_time_machine()
tokens=tokenize(lines,'char')
vocab=Vocab(tokens)
corpus=[vocab[token] for line in tokens for token in line]
if max_tokens>0:
corpus=corpus[:max_tokens]
return corpus,vocab
corpus,vocab=load_corpus_time_machine()
print(vocab.to_tokens([i for i in range(28)]))
len(corpus),len(vocab)
output:
['<unk>', ' ', 'e', 't', 'a', 'i', 'n', 'o', 's', 'h', 'r', 'd', 'l', 'm', 'u', 'c', 'f', 'w', 'g', 'y', 'p', 'b', 'v', 'k', 'x', 'z', 'j', 'q']
(170580, 28)