8.2. 文本预处理 — 动手学深度学习 2.0.0 documentation
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[0],re.sub('[^A-Za-z]+', ' ', lines[0]).strip().lower()
#('The Time Machine, by H. G. Wells [1898]\n', 'the time machine by h g wells')
#返回的lines存在特殊字符需要处理 这里是最基础的除了字母其他全部变一个空格
lines = read_time_machine()
print(f'# 文本总行数: {len(lines)}')
print(lines[0])
print(lines[10])
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]# line.split()按空格分割
#本应该line是一段str文本 现在是一个list里面有不同的单词word
elif token == 'char':
return [list(line) for line in lines]#直接将所有char字符变成一个元素组成一个list
else:
print('错误:未知词元类型:' + token)
tokens = tokenize(lines)
for i in range(11):
print(tokens[i])
1.word的时候
2.char的时候
注意list[3]这种是空格‘ ’,而不是空‘’
tokens 现在是双重list
进入count_corpus
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]
#单纯嵌套list拆成一个list
return collections.Counter(tokens)
第一句判断
第一个元素是list但是为空的时候 是不为空的
但是我不懂len(tokens) == 0这句有什么意义
collections.Counter(tokens)将含重复word的list做成频度字典(java的map) counter
class Vocab: #@save
"""文本词表"""
def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
#reserved_tokens之前保存的list
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)
#频度字典counter排序后做回list
# 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)}
#把原先保存的list idx_to_token 的内容先遍历出来做成dict
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
#按照频度按顺序添加对应的word进去
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
#按照频度按顺序添加对应的word进去
字典的理解就是给word会给你index 所在的位置或者给index给你对应的word
而index是跟频度有关 最多的越前 如果不是第一次还会排在之前保存过的的后面