文本预处理——动手学深度学习02

1、文本预处理

自然语言处理中，原始数据是一系列的字符串，所以要先将数据进行文本预处理，然后才能进行后续的操作。接下来，将介绍数据预处理的步骤。
（1）加载文本数据
（2）分词
（3）建立字典，将每个词映射到一个唯一的索引（index）
（4） 将文本从词的序列转换为索引的序列，方便输入模型

实际上，也有很多现有的工具能用于分词，如spaCy和NLTK，这两种主要用于英文的分词；而 jieba 适用于中文分词。

中文分词与英文分词有很大不同，相对来说，中文分词主要是存在着以下问题：
（1）中文存在词的语义比英文更为复杂，中文有很多词一词多义
（2）词汇少
（3）特征稀释
（4） 分类精确率低

2、步骤以及代码

（1）加载数据
所用数据是一部英文小说，即H. G. Well的Time Machine（点击链接可获取数据），作为示例，来展示文本预处理的具体过程。

import collections
import re

def read_time_machine():
    with open('/home/kesci/input/timemachine7163/timemachine.txt', 'r') as f:
        lines = [re.sub('[^a-z]+', ' ', line.strip().lower()) for line in f]
    return lines


lines = read_time_machine()
print('# sentences %d' % len(lines))

# sentences 3221

（2）分词
对每个句子进行分词，也就是将一个句子划分成若干个词（token），转换为一个词的序列。

def tokenize(sentences, token='word'):
    """Split sentences into word or char tokens"""
    if token == 'word':
        return [sentence.split(' ') for sentence in sentences]
    elif token == 'char':
        return [list(sentence) for sentence in sentences]
    else:
        print('ERROR: unkown token type '+token)

tokens = tokenize(lines)
tokens[0:2]

[['the', 'time', 'machine', 'by', 'h', 'g', 'wells', ''], ['']]

（3）建立字典(这部分代码比较难，特意加了注释)

为了方便模型处理，我们需要将字符串转换为数字。因此我们需要先构建一个字典（vocabulary），将每个词映射到一个唯一的索引编号。

class Vocab(object):
    '''
    1、count_corpus统计词频，得到counter
    2、增删，利用空列表
        pad:二维矩阵长度不一，短句子补token利用pad
        bos:开始token
        eos：结束token
        unk：未登录词当作unk
    3、词到索引号
    '''
    def __init__(self, tokens, min_freq=0, use_special_tokens=False):
        counter = count_corpus(tokens)  # 统计单词出现的频率（字典类型）
        
        self.token_freqs = list(counter.items())
        # print(,self.token_freqs)  打印出的内容为['', 'the', 'time', 'machine']
        
        #记录最终需要维护的token
        self.idx_to_token = []
        
        #将特殊token加入self.idx_to_token
        if use_special_tokens:
            # padding, begin of sentence, end of sentence, unknown
            self.pad, self.bos, self.eos, self.unk = (0, 1, 2, 3)
            self.idx_to_token += ['', '', '', '']
        else:
            self.unk = 0
            self.idx_to_token += ['']
        
        #根据条件将单词加入self.idx_to_token
        self.idx_to_token += [token for token, freq in self.token_freqs
                        if freq >= min_freq and token not in self.idx_to_token]
        #print('哈哈哈',self.idx_to_token)  内容为
                        
        #将索引作为单词的编号
        self.token_to_idx = dict()
        for idx, token in enumerate(self.idx_to_token):
            self.token_to_idx[token] = idx

    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]
        
#统计词出现的次数
def count_corpus(sentences):
    tokens = [tk for st in sentences for tk in st]
    return collections.Counter(tokens)  # 返回一个字典，记录每个词的出现次数

[('', 0), ('the', 1), ('time', 2), ('machine', 3), ('by', 4), ('h', 5), ('g', 6), ('wells', 7), ('i', 8), ('traveller', 9)]

（4）将词转为索引

for i in range(8, 10):
    print('words:', tokens[i])
    print('indices:', vocab[tokens[i]])

words: ['the', 'time', 'traveller', 'for', 'so', 'it', 'will', 'be', 'convenient', 'to', 'speak', 'of', 'him', '']
indices: [1, 2, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 0]
words: ['was', 'expounding', 'a', 'recondite', 'matter', 'to', 'us', 'his', 'grey', 'eyes', 'shone', 'and']
indices: [20, 21, 22, 23, 24, 16, 25, 26, 27, 28, 29, 30]