1.将文本作为字符串加载到内存中。
2. 将字符串拆分为词元(如单词和字符)。
3. 建立一个词表,将拆分的词元映射到数字索引。
4.将文本转换为数字索引序列,方便模型操作。
import collections
import re
from d2l import torch as d2l
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]#.strip() 移除字符串开头和结尾的空格 .lower()统一为小写
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)
'''
将字符串映射到从0开始的索引
'''
class Vocab: #@save
"""文本词表
min_freq:如果token出现的次数少于这个数,则将这个token丢掉,做成不认识
reserved_tokens:句子开始或者结束token
"""
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)#对token的频率排序,由大到小
# 未知词元的索引为0
'''
idx_to_token:在输入idx时候,输出对应的token
'''
self.idx_to_token = ['<unk>'] + reserved_tokens
#输入对应的token,输出对应的idx
self.token_to_idx = {token: idx
for idx, token in enumerate(self.idx_to_token)}
'''
将token, freq拿出,若出现的频率,也就是freq小于min_freq
则将此token丢弃,否则如果不在token_to_idx这个字典中,则在字典中
添加这个token,对应的,在token_to_idx也需要添加对应的idx
'''
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]
'''
to_tokens:将idx转换为相应的token,并输出
'''
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
每一个不一样的token出现的次数。
"""
# 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
'''
for line in tokens
for token in line
token.append(token)
'''
tokens = [token for line in tokens for token in line]
#统计各个词元的出现次数,返回以词元为键、出现次数为值的字典。
return collections.Counter(tokens)
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
'''
如果在类中定义了__getitem__()方法,那么他的实例对象(假设为P)就可以这样P[key]取值。
当实例对象做P[key]运算时,就会调用类中的__getitem__()方法
vocab中定义了__getitem__()方法,vocab[token],取出对应的下标
'''
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()
len(corpus), len(vocab)
lines = read_time_machine()
print(f'# 文本总行数: {len(lines)}')
print(lines[0])
print(lines[10])
tokens = tokenize(lines)
for i in range(11):
print(tokens[i])