深度学习——文本预处理
1.一篇文章可以看成一串单词序列，常见的解析文本的处理步骤：
①将文本为字符串加载到内存中
②将字符串拆分为词元（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
2.1读取数据集
import collections
import re
from d2l import torch as d2l读取数据集：将文本作为字符串加载到内存中
①将数据集读取到多条文本行组成的列表中，每条文本行是一个字符串
②忽略标点符号，去掉回车，所有字母变小写
③非字母的全部变成空格（有损操作，但后续操作变得简单）
# 读取数据集 由多条文本行组成的列表中
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] # 非字母变成空格
2.2将字符串拆分为词元（单词和字符）
将文本行列表lines作为输入，列表中的每个元素是一个文本序列（一条文本行）。每个文本行拆分成一个词元列表。最后返回由词元列表组成的列表，其中每个词元是一个字符串。
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)2.3建立词表，将拆分的词元映射到数字索引：将文本转换为数字索引，方便模型的操作
①词元的类型是字符串，模型输入的是数字（模型训练使用的是tensor是基于下标的）。模型需要构建一个字典，叫做词汇表。用来将字符串类型的token映射到从0开始的数字索引中。
②将训练集所有的文档合并在一起，对它们唯一的词元进行统计，得到的统计结果是语料（corpus）。
③根据唯一词元出现的频率，分配一个数字索引。出现少的词元会被移除，降低复杂性。min_freq，看作unknown
④语料库不存在或者已删除的任何词元都映射到
⑤保存词元，比如填充词元
# 词表 - 将token字符串类型的词元映射到从0开始的数字索引中
# 语料：将训练集中的所有文档合并在一起，对它们的唯一词元进行统计
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)
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 = [''] + 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):
"""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) 2.4整合所有功能
def load_corpus_time_machine(max_tokens=-1):
'''返回数据集的索引列表和词汇表'''
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 # 字母数 字母类数【总结】
-
文本是序列数据的一种最常见的形式之一。
-
为了对文本进行预处理，我们通常将文本拆分为词元，构建词表将词元字符串映射为数字索引，并将文本数据转换为词元索引以供模型操作。