目录
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) '''
5. QA
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
确实如此,但是我们之前在硬件的部分讲解过,如果把经常访问的部分放到一起,从内存读取的角度上讲,会提高我们查询的效率,算法会更快。