52文本预处理
"""
我们将解析文本的常见预处理步骤。
这些步骤通常包括:
1.将文本作为字符串加载到内存中。
2.字符串拆分为词元(如单词和字符)。
3.建立一个词表,将拆分的词元映射到数字索引。
4.将文本转换为数字索引序列,方便模型操作。
"""
import collections
import re
from d2l import torch as d2l
time_machine_dir = '../data/timemachine.txt'
def read_time_machine():
"""将时间机器数据加载到文本行的列表中"""
with open(time_machine_dir, 'r') as f:
lines = f.readlines()
return [
re.sub('[^A-Za-z]+', ' ', line).strip().lower()
for line in lines
]
"""
re.sub 是正则表达式模块 re 中的一个函数,用于替换字符串中的匹配项。
[^A-Za-z] 表示匹配任何不是大写字母(A-Z)或小写字母(a-z)的字符。
+表示匹配一个或多个非字母字符
' ' 是替换字符串,表示将所有匹配的非字母字符替换为空格。
strip() 方法用于移除字符串首尾的空白字符。
lower() 方法将字符串中的所有字符转换为小写。
"""
lines = read_time_machine()
def tokenize(lines, token='word'):
"""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)
class Vocab:
"""文本词表"""
def __init__(self, tokens=None, min_freq=0, reserved_tokens=None) -> None:
if tokens is None:
tokens = []
if reserved_tokens is None:
reserved_tokens = []
counter = count_corpus(tokens)
self._token_freqs = sorted(counter.items(), key=lambda x: x[1],
reverse=True)
self.idx_to_token = ['<unk>'] + reserved_tokens
"""
这里,self.idx_to_token 是一个列表,包含所有词元及其对应的索引。
'<unk>' 是一个特殊的词元,表示未知词元(unknown token)。
reserved_tokens 是一个列表,包含预留的词元,可以是其他特殊词元,
如 '<pad>'、'<bos>'(句子开始)和 '<eos>'(句子结束)。
['<unk>'] + reserved_tokens 将 '<unk>' 添加到 reserved_tokens 的前面,
创建一个包含未知词元和预留词元的列表。
"""
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):
return 0
@property
def token_freqs(self):
return self._token_freqs
def count_corpus(tokens):
"""统计词元的频率"""
if len(tokens) == 0 or isinstance(tokens[0], list):
flat_tokens = []
for line in tokens:
for token in line:
flat_tokens.append(token)
tokens = flat_tokens
return collections.Counter(tokens)
vocab = Vocab(tokens)
"""
在使用上述函数时,我们将所有功能打包到load_corpus_time_machine函数中,
该函数返回corpus(词元索引列表)和vocab(时光机器语料库的词表)。
我们在这里所做的改变是:
1.为了简化后面章节中的训练,我们使用字符(而不是单词)实现文本词元化;
2.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,还可能是一个单词,
因此返回的corpus仅处理为单个列表,而不是使用多词元列表构成的一个列表。
"""
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)
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(10)
print(corpus)
print(vocab.token_to_idx)