情感分析中文本数据预处理

读数据
直接获取文件内容
# 获取文件内容  一个文件中有很多行信息，每一行是一个序列
def getData(file):
    f = open(file,'r')
    raw_data = f.readlines()
    return raw_data
 
 
# Read the file and split into lines   以换行符来分开和readlines 相似
    lines = open('data/%s-%s.txt' % (lang1, lang2), encoding='utf-8').\
        read().strip().split('\n')
                 

#一个文件夹中有很多个文件，每一个文件是一个序列
files = os.listdir(os.path.join(path,seg,label))
        for file in files:
            with open(os.path.join(path,seg,label,file),'r',encoding = 'utf-8') as rf:
                review = rf.read().replace('\n','')
 

获取标签 对标签进行数字化
每一个文件中的每一行前面是文本，后面是标签
# Split every line into pairs and normalize
 
    pairs = [[normalizeString(s) for s in l.split('\t')] for l in lines]
 
#normalize函数是一个正则化的函数，也就是使数据更加标准化的
 
def normalizeString(s):
    s = unicodeToAscii(s.lower().strip())
    s = re.sub(r"([.!?])", r" \1", s)
    s = re.sub(r"[^a-zA-Z.!?]+", r" ", s)
    return s
 
 
#如果只需要将text 和 label 分开 则可以 
pairs = [[l for l in l.split('\t')] for l in lines]
 

构建label map直接后面添加 变成二分类问题
if label == 'pos':
 
    data.append([review,1])
else :
    data.append([review,0])
 

构建labelmap

label_map = {'pos':0,'neg':1}
 
#转换
y = label_map[d['type']] #根据label_map将label转换为数字表示
 

观察数据分布，找到合适的长度作为截断长度。
train_text = []
for line in train_data: 
    d = eval(line) 
t = jieba.cut(d['text'])
train_text.append(t) 
sentence_length = [len(x) for x in train_text] #train_text是train.csv中每一行分词之后的数据 %matplotlib notebook 
import matplotlib.pyplot as plt 
plt.hist(sentence_length,1000,normed=1,cumulative=True) 
plt.xlim(0,1000) 
plt.show()
 

由文本得到训练用的mini-batch数据
分词
#英文分词 只分空格即可
 
vocab = [v.lower() for v in l.strip().split(' ')]
 
#Python 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。
 
#注意：该方法只能删除开头或是结尾的字符，不能删除中间部分的字符。
 
 
#中文分词
 
def tokenizer(x):
    res = [w for w in jieba.cut(x)]
    return res
#注意去掉标点符号，一般使用正则表达式re
 

 
去除停用词
def stopwords_filter(filename,list_words_lemmatizer):
    list_filter_stopwords=[]  #声明一个停用词过滤后的词列表
    with open(filename,'r') as fr:
        stop_words=list(fr.read().split('\n')) #将停用词读取到列表里
        for i in range(len(list_words_lemmatizer)):
            word_list = []
            for j in list_words_lemmatizer[i]:
                if j not in stop_words:
                    word_list.append(j.lower()) #将词变为小写加入词列表
            list_filter_stopwords.append(word_list)
        return list_filter_stopwords
 
 
#建立一个停用词表
 
def stopwords(filepath):
    stopword=[]
    with open(filepath,'r') as f:
        
        for l in f.readllines():
            stopword.append(l.strip())
 
    return stopword     
 

建立词汇表
vocab = set(chain(*train_tokenized))
word_to_idx = {word:idx for idx,word in enumerate(vocab)}
word_to_idx[''] = 0
idx_to_word = {idx:word for idx,word in enumerate(vocab)}
idx_to_word[0] = ''
 

将分词去除停用词后的数据转换成下标数据，也就是转换成index。
def indexesFromSentence( sentence):
    return [word2index[word] for word in sentence.split(' ')]
 
 
def tensorFromSentence(lang, sentence):
    indexes = indexesFromSentence(lang, sentence)
    indexes.append(EOS_token)
    result = torch.LongTensor(indexes)
    return result
 

将数据分成mini-batch
第一种是重写Dataset类，然后利用dataloader分batch
from torch.utils.data import Dataset
 
class TextDataset(Dataset):
    def __init__(self, dataload=prepareData, lang=['eng', 'fra']):
        self.input_lang, self.output_lang, self.pairs = dataload(
            lang[0], lang[1], reverse=True)
        self.input_lang_words = self.input_lang.n_words
        self.output_lang_words = self.output_lang.n_words
 
    def __getitem__(self, index):
        return tensorFromPair(self.input_lang, self.output_lang,
                              self.pairs[index])
 
    def __len__(self):
        return len(self.pairs)
#class torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=False, sampler=None, batch_sampler=None, num_workers=0, collate_fn=, pin_memory=False, drop_last=False, timeout=0, worker_init_fn=None)
 
 
#第二种，如果text和label都是Tensor的话，可以直接调用TensorDataset函数，然后再用dataloader读数据
train_set = torch.utils.data.TensorDataset(train_features, train_labels)
test_set = torch.utils.data.TensorDataset(test_features, test_labels)
 
train_iter = torch.utils.data.DataLoader(train_set, batch_size=batch_size,
                                         shuffle=True)
test_iter = torch.utils.data.DataLoader(test_set, batch_size=batch_size,
                                        shuffle=False)
 

根据mini-batch中内个index对应的向量得到最终输入（一般在网络里，也就是embedding）
 

直接用torchtext来进行上述步骤
TEXT = data.Field(sequential=True, tokenize=tokenizer,fix_length=1000,stop_words=stop_words)
LABEL = data.Field(sequential=False,use_vocab=False)
torchtext 的组件 

Field :主要包含以下数据预处理的配置信息，比如指定分词方法，是否转成小写，起始字符，结束字符，补全字符以及词典等等

Dataset :继承自pytorch的Dataset，用于加载数据，提供了TabularDataset可以指点路径，格式，Field信息就可以方便的完成数据加载。同时torchtext还提供预先构建的常用数据集的Dataset对象，可以直接加载使用，splits方法可以同时加载训练集，验证集和测试集。

Iterator : 主要是数据输出的模型的迭代器，可以支持batch定制。

 

Field
Field 包含一写文本处理的通用参数的设置，同时还包含一个词典对象，可以把文本数据表示成数字类型，（即转换成index形式）进而可以把文本表示成需要的tensor类型完成了分词，固定长度，去掉停用词等
以下是Field对象包含的参数：

sequential: 是否把数据表示成序列，如果是False, 不能使用分词 默认值: True.

use_vocab: 是否使用词典对象. 如果是False 数据的类型必须已经是数值类型. 默认值: True.

init_token: 每一条数据的起始字符 默认值: None.

eos_token: 每条数据的结尾字符 默认值: None.

fix_length: 修改每条数据的长度为该值，不够的用pad_token补全. 默认值: None.为None则按每个Batch内的最大长度进行动态padding。

tensor_type: 把数据转换成的tensor类型 默认值: torch.LongTensor.

preprocessing:在分词之后和数值化之前使用的管道 默认值: None.

postprocessing: 数值化之后和转化成tensor之前使用的管道默认值: None.

lower: 是否把数据转化为小写 默认值: False.

tokenize: 分词函数. 默认值: str.split.

include_lengths: 是否返回一个已经补全的最小batch的元组和和一个包含每条数据长度的列表 . 默认值: False.

batch_first: Whether to produce tensors with the batch dimension first. 默认值: False.

pad_token: 用于补全的字符. 默认值: "".

unk_token: 不存在词典里的字符. 默认值: "".

pad_first: 是否补全第一个字符. 默认值: False.

TEXT = data.Field(tokenize=data.get_tokenizer('spacy'), init_token='', eos_token='',lower=True)
Lable = data.Field(squential = False,use_vocab = False)
2.Dataset

torchtext的Dataset是继承自pytorch的Dataset，提供了一个可以下载压缩数据并解压的方法（支持.zip, .gz, .tgz）完成了读取数据问题

splits方法可以同时读取训练集，验证集，测试集

TabularDataset可以很方便的读取CSV, TSV, or JSON格式的文件，例子如下：

train, val, test = data.TabularDataset.splits( path='./data/', 
    train='train.tsv', validation='val.tsv', test='test.tsv', 
    format='tsv', fields=[('Text', TEXT), ('Label', LABEL)])
加载数据后可以建立词典，建立词典的时候可以使用与训练的word vector

TEXT.build_vocab(train, vectors="glove.6B.100d")
3. Iterator           完成了分batch的问题

Iterator是torchtext到模型的输出，它提供了我们对数据的一般处理方式，比如打乱，排序，等等，可以动态修改batch大小，这里也有splits方法 可以同时输出训练集，验证集，测试集,类似dataloader

参数如下：

dataset: 加载的数据集

batch_size: Batch 大小.

batch_size_fn: 产生动态的batch大小 的函数

sort_key: 排序的key

train: 是否是一个训练集

repeat: 是否在不同epoch中重复迭代

shuffle: 是否打乱数据

sort: 是否对数据进行排序

sort_within_batch: batch内部是否排序

device: 建立batch的设备 -1:CPU ；0,1 ...：对应的GPU

 

train_iter, val_iter, test_iter = data.Iterator.splits( (train, val, test),
    sort_key=lambda x: len(x.Text), batch_sizes=(32, 256, 256), device=-1)
4.其他

torchtext提供常用文本数据集，并可以直接加载使用：

train,val,test = datasets.WikiText2.splits(text_field=TEXT)
现在包含的数据集包括：

 

Sentiment analysis: SST and IMDb
Question classification: TREC
Entailment: SNLI
Language modeling: WikiText-2
Machine translation: Multi30k, IWSLT, WMT14
import spacy
import torch 
from torchtext import data, datasets 
spacy_en = spacy.load('en') 
def tokenizer(text): # create a tokenizer function 
    return [tok.text for tok in spacy_en.tokenizer(text)] 
TEXT = data.Field(sequential=True, tokenize=tokenizer, lower=True, fix_length=150) 
LABEL = data.Field(sequential=False, use_vocab=False) 
train, val, test = data.TabularDataset.splits( path='./data/', train='train.tsv', validation='val.tsv', test='test.tsv', format='tsv', fields=[('Text', TEXT), ('Label', LABEL)])
TEXT.build_vocab(train, vectors="glove.6B.100d")
train_iter, val_iter, test_iter = data.Iterator.splits( (train, val, test), sort_key=lambda x: len(x.Text), batch_sizes=(32, 256, 256), device=-1)
vocab = TEXT.vocab