动手学习深度学习（总结梳理）——20. 文本预处理

最新推荐文章于 2023-02-27 10:37:47 发布

TheFanXY

最新推荐文章于 2023-02-27 10:37:47 发布

阅读量563

点赞数

文章标签：深度学习学习 pytorch

本文链接：https://blog.csdn.net/weixin_44981126/article/details/127435625

版权

5.1 vocabulary里对unique token按frequency的排序不是必要的把？只要保证一个unique token对应一个unique index

import collections
import re
from d2l import torch as d2l

Python中 collections模块的详细用法介绍 python中的re模块:通过正则表达式处理字符串

f.read() f.readlines() f.readline()

1. 读取数据集

首先，我们从H.G.Well的时光机器中加载文本。这是一个相当小的语料库，只有30000多个单词，但足够我们小试牛刀，而现实中的文档集合可能会包含数十亿个单词。下面的函数将数据集读取到由多条文本行组成的列表中，其中每条文本行都是一个字符串。为简单起见，我们在这里忽略了标点符号和字母大写。

d2l.DATA_HUB['time_machine'] = (d2l.DATA_URL + 'timemachine.txt',
                                '090b5e7e70c295757f55df93cb0a180b9691891a')

def read_time_machine(): 
    """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 = read_time_machine()
print(f'# 文本总行数: {len(lines)}')
print(lines[0])
print(lines[10])

2. 词元化

下面的tokenize函数将文本行列表（lines）作为输入，列表中的每个元素是一个文本序列（如一条文本行）。每个文本序列又被拆分成一个词元列表，词元（token）是文本的基本单位。最后，返回一个由词元列表组成的列表，其中的每个词元都是一个字符串（string）

def tokenize(lines, token='word'):
    '''将文本行拆分为单词或者字符词元'''
    if token == 'word':
        return [line.split() for line in lines]
    elif token == 'char':
        return [list(line) for line in lines]
    else:
        print('错误，未知词元类型： ' + token)

tokens = tokenize(lines)
for i in range(11):
    print(tokens[i])

3. 词表

这里用到了collections的Counter用于计数 这段代码非常精美，建议多看多学

class Vocab:  
    """文本词表"""
    def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
        if tokens is None:
            tokens = []
        if reserved_tokens is None:
            reserved_tokens = []
        ''' 按出现频率排序 '''
        counter = count_corpus(tokens)
        ''' 按词频从大到小排序 '''
        self._token_freqs = sorted(counter.items(), key=lambda x: x[1],
                                   reverse=True)
        ''' 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)}
        for token, freq in self._token_freqs:
            ''' 这里break是因为词频是降序， 出现一个小于min意味着后面全小于 '''
            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

    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 unk(self):  ''' 未知词元的索引为0 '''
        return 0

    def token_freqs(self):
        return self._token_freqs

def count_corpus(tokens):  
    """ 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]
    return collections.Counter(tokens)

我们首先使用时光机器数据集作为语料库来构建词表，然后打印前几个高频词元及其索引。

python字典一些内置函数用法（dict.items() d.values() d.key()等）

vocab = Vocab(tokens)
print(list(vocab.token_to_idx.items())[:10])    '''

[('<unk>', 0), ('the', 1), ('i', 2), ('and', 3), ('of', 4)
, ('a', 5), ('to', 6), ('was', 7), ('in', 8), ('that', 9)]    '''

现在，我们可以将每一条文本行转换成一个数字索引列表。

for i in [0, 10]:
    print('文本:', tokens[i])
    print('索引:', vocab[tokens[i]])    '''

文本: ['the', 'time', 'machine', 'by', 'h', 'g', 'wells']
索引: [1, 19, 50, 40, 2183, 2184, 400]
文本: ['twinkled', 'and', 'his', 'usually', 'pale', 'face', 'was', 'flushed', 'and', 'animated', 'the']
索引: [2186, 3, 25, 1044, 362, 113, 7, 1421, 3, 1045, 1]    '''

4. 整合所有功能

def load_corpus_time_machine(max_tokens=-1): 
    """返回时光机器数据集的词元索引列表和词表"""
    lines = read_time_machine()
    tokens = tokenize(lines, 'char')
    vocab = Vocab(tokens)
    """ 因为时光机器数据集中的每个文本行不一定是一个句子或一个段落，
        所以将所有文本行展平到一个列表中 """
    corpus = [vocab[token] for line in tokens for token in line]
    if max_tokens > 0:
        corpus = corpus[:max_tokens]
    return corpus, vocab

corpus, vocab = load_corpus_time_machine()
len(corpus), len(vocab)                                         """

(170580, 28)                                                    '''