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,本节将介绍文本数据的常见预处理步骤,预处理通常包括四个步骤:
- 读入文本
- 分词
- 建立字典,将每个词映射到一个唯一的索引(index)
- 将文本从词的序列转换为索引的序列,方便输入模型
读入文本
我们用一部英文小说,即H. G. Well的Time Machine,作为示例,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]
# 列表推导式lines = [line for line in f]
# 对lin进行正则表达式替换某些字符
# ^匹配输入字符串的开始位置,在方括号表达式中使用,当该符号在方括号表达式中使用时,表示匹配不接受该方括号表达式中的字符集合
# 要匹配 ^ 字符本身,请使用 \^。
# [^a-z]+表示匹配非a-z的多个字符
return lines
lines = read_time_machine()
print('# sentences %d' % len(lines))
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'):
"""按照一个单词word或者char分割一个句子,默认word"""
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[0:5]
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。
class Vocab(object):
def __init__(self, tokens, min_freq=0, use_special_tokens=False):
counter = count_corpus(tokens) # 对传入的tokens统计
self.token_freqs = list(counter.items())
# count.item()返回可遍历的列表
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]
# 上一句等效于如下
tokens = []
for sk in sentences:
for tk in sk:
tokens.append(tk)
return collections.Counter(tokens) # 返回一个字典,记录每个词的出现次数
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
注解:以上是一个简洁的分割文本的过程代码,有很多未考虑的地方,基本上就等同于统计字符串。底层数据结构影响性能,好像有什么字典树。
有一些现有工具好用
spacy
基本使用见官网api了。
网站有点打不开mmp
回头补啦QAQ