文本预处理

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