拆分完训练集和测试集后,我们需要根据训练集,生成词表和标签表的缓存文件,供后面的流程调用。该表不仅要记录所有词和标签,还要对应一个不重复的ID,方便后续进行Embedding,即数字化。
代码示例
1、配置项
VOCAB_PATH = './output/vocab.txt'
LABEL_PATH = './output/label.txt'
WORD_PAD = '<PAD>'
WORD_UNK = '<UNK>'
VOCAB_SIZE = 3000
2、生成词表
# 生成词表
def generate_vocab():
df = pd.read_csv(TRAIN_SAMPLE_PATH, usecols=[0], names=['word'])
vocab_list = [WORD_PAD, WORD_UNK] + df['word'].value_counts().keys().tolist()
vocab_list = vocab_list[:VOCAB_SIZE]
vocab_dict = {v: k for k, v in enumerate(vocab_list)}
vocab = pd.DataFrame(list(vocab_dict.items()))
vocab.to_csv(VOCAB_PATH, header=None, index=None)
3、生成标签表
# 生成标签表
def generate_label():
df = pd.read_csv(TRAIN_SAMPLE_PATH, usecols=[1], names=['label'])
label_list = df['label'].value_counts().keys().tolist()
label_dict = {v: k for k, v in enumerate(label_list)}
label = pd.DataFrame(list(label_dict.items()))
label.to_csv(LABEL_PATH, header=None, index=None)
至此,数据预处理就做完了,下节开始定义Dataset类,加载数据。
本文为 陈华 原创,欢迎转载,但请注明出处:http://www.ichenhua.cn/read/391