52文本预处理

点击查看代码

import collections
import re
from d2l import torch as d2l

# 文本预处理
# 将文本当作时序序列，将文本中的字、词作为一个样本，样本之间有时序信息

# 读取数据集
print('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()
    # 把非字母的内容全部替换为空格
    # 有损操作
    # 转小写
    # strip() 方法用于移除字符串头尾指定的字符（默认为空格或换行符）或字符序列。

    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])

# 词元化
print('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)
tokens1 = tokenize(lines, token='char')
for i in range(11):
    print(lines[i])
    print(tokens[i])
    print(tokens1[i])

# 词汇表

# 将word/char 映射到从0开始的index
# 字符串 cpu很慢，GPU做不了
class Vocab:  #@save
    """文本词表"""
    # min_freq
    # token少于某个次数，将其丢掉，unk
    # reserved_tokens
    # 句子开始token、句子结束token
    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)
        # 出现频率由大到小排序
        """
        list = sorted(iterable, key=None, reverse=False)  
        其中，iterable 表示指定的序列，key 参数可以自定义排序规则；
        reverse 参数指定以升序（False，默认）还是降序（True）进行排序。
        sorted() 函数会返回一个排好序的列表。
            #字典默认按照key进行排序
            a = {4:1, 5:2, 3:3, 2:6, 1:8}
            print(sorted(a.items()))
            ## [(1, 8), (2, 6), (3, 3), (4, 1), (5, 2)]
            
            x:x[]字母可以随意修改，
            x[1]表示以元组的第二个元素排序
            [0]按照第一维，[1]按照第二维。
        """
        self._token_freqs = sorted(counter.items(), key=lambda x: x[1],
                                   reverse=True)
        # 未知词元的索引为0
        # 列表
        # ['<unk>'] 未知token
        self.idx_to_token = ['<unk>'] + reserved_tokens
        # 字典
        # enumerate
        # 遍历一个集合对象，它在遍历的同时还可以得到当前元素的索引位置。
        """
        names = ["Alice","Bob","Carl"]
        for index,value in enumerate(names):
            print(f'{index}: {value}')
            
        0: Alice
        1: Bob
        2: Carl
        """
        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]
    # 计算token出现次数 返回值字典
    """
    nums = [1, 2, 3, 1, 2, 1]
    counts = collections.Counter(nums)
    print(counts)
    ## Counter({1: 3, 2: 2, 3: 1})
    """
    return collections.Counter(tokens)

# 构建词汇表
print('构建词汇表')
# 高频小下标，低频大下标
vocab = Vocab(tokens)
print(list(vocab.token_to_idx.items())[:10])
vocab1 = Vocab(tokens1)
print(list(vocab1.token_to_idx.items())[:10])
print(1)

# 将每一条文本行转换成数字索引表
print('将每一条文本行转换成数字索引表')
for i in range(10):
    print('words:', tokens[i])
    print('indices:', vocab[tokens[i]])
for i in range(10):
    print('words:', tokens1[i])
    print('indices:', vocab[tokens1[i]])

# 将所有功能打包到load_corpus_time_machine函数中
print('将所有功能打包到load_corpus_time_machine函数中')
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()
print(len(corpus), len(vocab))