【动手学习pytorch笔记】20.文本预处理

文本预处理

import collections
import re
from d2l import torch as d2l

读取数据集

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

def read_time_machine():  #@save
    """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])

下载的’time_machine’是一本科幻小说.txt

re.sub('[^A-Za-z]+', ' ', line)把只保留文本中的英文字母大小写，其他全部换成空格

strip()去掉句首和句尾的空格，lower()在转换为小写

输出

Downloading D:\environment\data\data\timemachine.txt from http://d2l-data.s3-accelerate.amazonaws.com/timemachine.txt...

# 文本总行数: 3221

the time machine by h g wells
twinkled and his usually pale face was flushed and animated the

现在我们得到了一行一行的文本

词元化

def tokenize(lines, token='word'):  #@save
    """将文本行拆分为单词或字符词元"""
    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])

将一行一行的文本作为输入，把他们切成token（词元）

word：把词当成token

char：把字符当作token，在这里就只有27个，但后续字符如何构成单词也变成了要学习的内容，list()字符串转换成列表：按字符分开了

返回的tokens是一个列表套列表

[[...]
 [...]
 [...]
 [...]] 

['the', 'time', 'machine', 'by', 'h', 'g', 'wells']
[]
[]
[]
[]
['i']
[]
[]
['the', 'time', 'traveller', 'for', 'so', 'it', 'will', 'be', 'convenient', 'to', 'speak', 'of', 'him']
['was', 'expounding', 'a', 'recondite', 'matter', 'to', 'us', 'his', 'grey', 'eyes', 'shone', 'and']
['twinkled', 'and', 'his', 'usually', 'pale', 'face', 'was', 'flushed', 'and', 'animated', 'the']

中文的话，如果想用词来表示一个token就要用到分词

构建词表

把token放进词汇表，有索引，因为我最后输入都是向量，里面放的都是索引

class Vocab:  #@save
    """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)
        # 排序，出现次数从大到小
        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:
            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]

    @property
    def unk(self):  # 未知词元的索引为0
        return 0

    @property
    def token_freqs(self):
        return self._token_freqs

def count_corpus(tokens):  #@save
    """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)

def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):

min_freq：一个token能够被放进词表中需要出现的最少次数

reserved_tokens：一个token是句子的开始还是结束，目前还用不到

count_corpus(tokens):返回一个词典

Counter({'the': 2261,
         'time': 200,
         'machine': 85,
         'by': 103,
         'h': 1,
         'g': 1,
         'wells': 9,
         'i': 1267,
         'traveller': 61,
         'for': 221,
         'so': 112, 
         'tableful': 1,
         'amazing': 2,
         'plight': 1,
         ...})

sorted(counter.items(), key=lambda x: x[1], reverse=True):

counter.items()：一个可迭代对象

key=lambda x: x[1]：隐函数，用来进行比较的元素，x[1]就是出现的次数

reverse=True：降序

__getitem__(self, tokens):给索引，返回token

def to_tokens(self, indices):给token，返回索引

试试看

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

输出

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

给定一句话，输出其对应token的索引

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]

整合

def load_corpus_time_machine(max_tokens=-1):  #@save
    """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)

这里用了char词元

(170580, 28)

len(vocab):28个，26个字母，空格，

corpus = [vocab[token] for line in tokens for token in line]:

返回每一个token对应的下标

corpus长这样

[3, 9, 2, 1, 3, 5, 13, 2, 1, 13, 4, 15, 9, 5, 6, 2, 1, 21, 19, 1, 9...16, 1, 13, 4, 6]

def load_corpus_time_machine(max_tokens=-1):

这个函数干的事：输入一段文本，返回了其所有文本对应下标的列表，以及返回了一个词典