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)