动手学深度学习v2-文本预处理

# 文本预处理 核心：数据变成所需的训练资料
import collections
import re
from d2l import torch as d2l

# 将数据集读取由多条文本行组成的列表中
d2l.DATA_HUB['time_machine'] = (d2l.DATA_URL + 'timemachine.txt',
                '090b5e7e70c295757f55df93cb0a180b9691891a') 
# load一本书

def read_time_machine():
    """将time machine数据集加载到文本行列表中。"""
    with open(d2l.download('time_machine'), 'r') as f:
        lines = f.readlines() # 一行一行读取
    return [re.sub('[^A-Za-z]+', ' ', line).strip().lower() for line in lines]
    # 把非字母的所有符号变成空格，这是一个有损的操作，最后还通过lower变小写
    # 整个文本就剩下 小写 和 空格 了

lines = read_time_machine()
print(f'# text lines: {len(lines)}')
print(lines[0])
print(lines[10])

# 每个文本序列被拆分成一个标记列表，也就是变成token（词源）
def tokenize(lines, token='word'):
  """将文本拆分为单词或字符标记"""
  if token == 'word':
    return [lines.split() for line in lines]
  elif token == 'char':
    return [list(line) for line in lines]
  else:
    print('错误：未知令牌类型' + token)

tokens = tokenize(lines)
for i in range(11):
  print(tokens[i])

# 将token（char或者word）从一个字符串映射到一个从0开始的数字索引（index）
class Vocab:
    """文本词汇表"""
    def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
      # 低于 min_freq 的 token 丢弃
      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) # 排列统计好的token

      # 未知词元的索引为0
      self.unk, uniq_tokens = 0, [''] + reserved_tokens
      uniq_tokens += [token for token, freq in self.token_freqs
                if freq >= min_freq and token not in uniq_tokens]
      self.idx_to_token, self.token_to_idx = [], dict()
      for token in uniq_tokens:
          self.idx_to_token.append(token)
          self.token_to_idx[token] = len(self.idx_to_token) - 1

    def __len__(self): # 返回输入idx_to_token的长度
      return len(self.idx_to_token)

    def __getitem__(self, tokens): # 给一个tokens或者list_token返回一个index
      if not isinstance(tokens, (list, tuple)):
          return self.token_to_idx.get(tokens, self.unk)
      return [self.__getitem__(token) for token in tokens]
    # 上下互为反函数
    def to_tokens(self, indices): # 给一个index返回对应的token
      if not isinstance(indices, (list, tuple)):
          return self.idx_to_token[indices]
      return [self.idx_to_token[index] for index in indices]

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):
      # 将词元列表展平成使用词元填充的一个列表
      tokens = [token for line in tokens for token in line]
    return collections.Counter(tokens)
    # counter构造一个字典统计每个token出现的次数

vocab = Vocab(tokens) # tokens是从time machine获取的
print(list(vocab.token_to_idx.items())[:10])

# 将每一条文本行转换成一个数字索引列表
for i in [0:10]:
  print('words:', token[i])
  print('indices:', vocab[tokens[i]])

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汇表。"""
  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]
  # token一句话放到vocab里转成数字下标，corpus 为一长串的整数，每个整数都代表一个token
  if max_tokens > 0:
      corpus = corpus[:max_tokens]
  return corpus, vocab
  # 函数返回 corpus（词元索引列表）和 vocab（时光机器语料库的词汇表）
corpus, vocab = load_corpus_time_machine() # 这里vocal应该是28，26个字母+空格+一个unk
len(corpus), len(vocab)