动手学深度学习-文本预处理-day2

day2的任务包括三个：
文本预处理、语言模型、循环神经网络

这是另外两个学习任务的笔记~O(∩_∩)O
语言模型
循环神经网络基础

文本预处理

文本是一类序列数据，一篇文章可以看作是字符或单词的序列，预处理通常包括四个步骤：

1. 读入文本
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

这里重点讲一下建立字典这个步骤，在代码中所对应的就是Vocab类。

建立字典

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。

主要步骤：

1. 对语料进行分词，生成一个token列表，里面包含了语料的分词结果
2. 对分好的词统计词频，然后根据词频来构建词典（统计好的词频完成了去重的操作，同时也保留了词的频率，方便后续的操作）
3. 构建了一个idx_to_token列表来存储所有的词，完成索引到词的映射
4. 构建了一个token_to_idx来存储所有词的索引，完成词到索引的映射。

代码中涉及到的几个特殊的token：

1. pad的作用是在采用批量样本训练时，对于长度不同的样本（句子），对于短的样本采用pad进行填充，使得每个样本的长度是一致的
2. bos( begin of sentence)和eos(end of sentence)是用来表示一句话的开始和结尾
3. unk(unknow)的作用是，处理遇到未出现在语料库的词（未登录词）时都统一认为是unknow ,在代码中还可以将一些频率特别低的词（小于阈值）也归为这一类

下面附上代码：

#1. 读入文本
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
#line.strip() :去掉句子中的前缀（tab）、后缀（\n）、空白字符（‘ ’）
#lower() :将所有大写英文字母转为小写
#[^a-z] :^是非的意思，非小写英文字符
#'[^a-z]+' :长度至少是1的非小写英文字符串（不是以小写字母开头的字符串）
#re.sub('[^a-z]+',' ',line.strip().lower()) :将去掉前缀、后缀和空格的句子转为小写字母，然后把句子中的非小写字母开头的字符串以空格代替
lines = read_time_machine()
print('# sentences %d' % len(lines))
#2. 分词
#我们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':#代表做单词级别的分词
        return [sentence.split(' ') for sentence in sentences]
    elif token == 'char':#代表做字符级别的分词
        return [list(sentence) for sentence in sentences]
    else:
        print('ERROR: unkown token type '+token)

tokens = tokenize(lines)
tokens[0:2]
#3. 建立字典
class Vocab(object):
    def __init__(self, tokens, min_freq=0, use_special_tokens=False):#min_freq表示出现频率的阈值，小于它则忽略
        counter = count_corpus(tokens)  # : 统计词频
        self.token_freqs = list(counter.items())
        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 += ['']
        self.idx_to_token += [token for token, freq in self.token_freqs
                        if freq >= min_freq and token not in self.idx_to_token]
        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]

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

#我们看一个例子，这里我们尝试用Time Machine作为语料构建字典
vocab = Vocab(tokens)
print(list(vocab.token_to_idx.items())[0:10])

#4. 将词转为索引
#使用字典，我们可以将原文本中的句子从单词序列转换为索引序列
for i in range(8, 10):
    print('words:', tokens[i])
    print('indices:', vocab[tokens[i]])

#可以利用现有的工具分词测试一下效果：spaCy、NLTK
text = "Mr. Chen doesn't agree with my suggestion."
#spaCy
import spacy
nlp = spacy.load('en_core_web_sm')
doc = nlp(text)
print([token.text for token in doc])
#NLTK
from nltk.tokenize import word_tokenize
from nltk import data
data.path.append('/home/kesci/input/nltk_data3784/nltk_data')
print(word_tokenize(text))

练习题：