根据李沐老师的课做的记录。
构建文本数据集
文本数据集可以将其看作一串单词序列或者字符序列。
构建时一般有以下几个步骤。
- 文本清洗(比如去除乱码和标点符号、当然在很多时候并不会去掉标点符号)。
- 将文本存入内存。
- 将文本拆分成词或者字符。
- 建立词汇表和对应索引。
文本清洗和读取
这里使用课上提到的《time machine》
百度网盘链接
提取码:pypt
- 读取文本
只保留字母并统一成小写。
text_path = './timemachine.txt'
def read_time_machine():
with open(text_path, 'r') as f:
lines = f.readlines()
return [re.sub(r'[^a-zA-Z]+', ' ', line).strip().lower() for line in lines]
lines = read_time_machine()
print('len=', len(lines), '\n', lines[0], '\n', lines[9])
输出如下
len= 3221
the time machine by h g wells
was expounding a recondite matter to us his grey eyes shone and
tokenize
将文本划分为词或者字符。
def tokenize(lines, token='word'):
if token == 'word':
return [line.split() for line in lines]
elif token == 'char':
return [list(line) for line in lines]
else:
print('wrong')
tokens = tokenize(lines)
print(tokens[0])
输出为
在这里插入代码片['the', 'time', 'machine', 'by', 'h', 'g', 'wells']
定义计数函数
统计每个词的出现频数。
def count_corpus(tokens):
if len(tokens) == 0:
tokens = []
elif isinstance(tokens[0], list):
tokens = [token for line in tokens for token in line]
return collections.Counter(tokens)
定义vocab类
用于返回id_to_token和token_to_id。
class Vocab:
def __init__(self, tokens=None, min_freq=0, reversed_token=None):
if not tokens:
tokens = []
if not reversed_token:
reversed_token = []
counter = count_corpus(tokens)
self.token_freq = sorted(counter.items(), key=lambda x: x[1], reverse=True)
self.unk, uniq_tokens = 0, ['UNK'] + reversed_token
uniq_tokens += [token for token, freq in self.token_freq if freq > min_freq and token not in uniq_tokens]
self.idx_to_token, self.token_to_idx = []